一个基于跨膜超声波图像的优化深度学习模型,用于精确诊断女性压力尿失禁

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科

背景情况:

• 跨膜超声波 (TPUS) 是评估女性压力尿失禁 (SUI) 的关键成像方式.
• 使用TPUS参数用于尿道移动性和形态学的SUI的当前诊断准确性需要改进.

研究的目的:

• 开发和验证一个优化的深度学习 (DL) 模型,利用TPUS图像进行增强的SUI诊断.
• 提高女性SUI诊断的准确性和可靠性.

主要方法:

• 在2020-2024年期间,对464名女性 (200名SUI患者,264名对照) 的TPUS图像进行了回顾性分析.
• 训练和测试三个DL模型 (ResNet-50,ResNet-152,DenseNet-121) 在静止状态和Valsalva状态图像上.
• 使用AUC,精度,灵敏度,特异性,NPV和PPV进行性能评估,并与TPUS指数模型进行比较.

主要成果:

• 丹森网-121获得了最高的性能:AUC 0.869,准确度 0.87,灵敏度 0.872,特异性 0.761.
• 与TPUS指数模型相比,DenseNet-121模型在训练和测试组中显示出明显优异的诊断性能 (p < 0.05).

结论:

• 深度学习模型,特别是DenseNet-121显示出改善女性SUI诊断的巨大潜力.
• 这种由人工智能驱动的方法为SUI管理中的临床应用提供了可靠和一致的诊断工具.