基于超声波的转移学习模型,以协助部分囊性甲状腺结节的诊断
Qibo Zhang1, Zhaohui Sun2, Yudong Wang1
1Department of Ultrasonography, Weihai Municipal Hospital, Cheeloo College of Medicine, Shandong University, Weihai City, China.
Journal of clinical ultrasound : JCU
|May 13, 2025
概括
一种新的超声波传输学习模型,特别是Inception_v3,可以准确地预测部分囊性甲状腺结节 (PCTN) 的恶性瘤. 这种人工智能工具帮助临床医生在PCTN的手术前决策,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 部分囊性甲状腺结节 (PCTN) 带来了诊断挑战.
- 准确的PCTN恶性瘤的术前评估对于有效的治疗计划至关重要.
- 预测PCTN恶性瘤的非侵入性方法是非常理想的.
研究的目的:
- 建立一个使用超声波的转移学习模型,以预测PCTN的手术前恶性概率.
- 为临床医生提供PCTN的非侵入性初级查工具.
主要方法:
- 258名患者的258个PCTN的回顾性分析 (2020年1月 - 2024年1月).
- 数据集分为培训 (80%) 和测试 (20%) 集.
- 评估了五种预先训练的转移学习模型 (EfficientNet,Inception_v3,Mobilenet_v3,SqueezeNet,VGG19).这些模型包括:
- 计算了性能指标 (AUC,精度,灵敏度,特异性).
- 用于视觉解释的格拉德级激活地图 (Grad-CAM).用于视觉解释.
- 与多变量逻辑回归和放射科医生的性能进行比较.
主要成果:
- 在PCTN恶性瘤预测培训队伍中,Inception_v3模型显示了0.9243的曲线下面面积 (AUC) 最高.
- Inception_v3实现了85.19%的准确度,85.26%的灵敏度和85.00%的特异性.
- Inception_v3模型的表现优于多变量逻辑回归 (AUC 0.8247).
- 在超声波图像中,Grad-CAM可视化了重要的预测特征.
结论:
- 基于超声波的转移学习模型,特别是Inception_v3,可以有效地预测PCTN恶性瘤的非侵入性.
- 这种人工智能驱动的方法可以帮助临床医生在PCTN的手术前决策.
- 该模型为提高PCTN的诊断准确性提供了一个有希望的工具.
