基于超声波的深度学习放射学模型用于预测初级和二级唾液腺恶性瘤:一个多中心的回顾性研究
Zhen Xia1, Xiao-Chen Huang2, Xin-Yu Xu2
1Department of Ultrasound, Jiangsu Cancer Hospital & Jiangsu Institute of Cancer Research & The Affiliated Cancer Hospital of Nanjing Medical University, Nanjing 210009, China.
Bioengineering (Basel, Switzerland)
|April 26, 2025
概括
一个新的RadiomicsDL模型有效地使用超声波图像来区分初级和二级唾液腺癌. 这种非侵入性方法可以提高这些具有挑战性的恶性瘤的诊断准确度.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 主要和次要的唾液腺恶性瘤有不同的预后,但类似的超声波特征.
- 准确的区分对于适当的治疗计划至关重要.
研究的目的:
- 开发和验证用于区分初级和二级唾液腺恶性瘤的非侵入性诊断模型.
- 为了比较传统超声波,放射学,深度学习和组合模型的性能.
主要方法:
- 140个病理确认的唾液腺恶性瘤病例的回顾性分析.
- 使用超声波特征开发放射学,深度学习 (DL) 和放射学DL模型.
- 模型性能使用接收器运行特征曲线 (AUC) 下的面积来评估.
主要成果:
- 放射性DL模型实现了0.807的最高AUC,超过了单独的美国,放射性和DL模型.
- 在RadiomicsDL模型中使用了多层感知器 (MLP) 架构.
- 放射性特征Wavelet_LHH_glcm_SumEntropy被确定为一个关键的差异化因素.
结论:
- 开发的RadiomicsDL模型提供了一种高效的非侵入性方法,用于区分初级和二级唾液腺恶性瘤.
- 这种人工智能驱动的方法可以帮助临床医生做出诊断和治疗决策.
