基于深度学习超声波图像分析的甲状腺结节的预测性名图
1Department of Ultrasound, the Second Hospital, Cheeloo College of Medicine, Shandong University, Jinan, Shandong, China.
Frontiers in endocrinology
|May 14, 2025
概括
一种新型的深度学习名录模型使用超声波特征准确地区分良性和恶性甲状腺结节. 这个模型整合了年龄,回声焦点和深度学习预测,优于现有的分类系统.
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:
- 甲状腺结节很常见,对于患者管理至关重要的是准确地区分良性和恶性类型.
- 目前的诊断方法,包括超声波和C-TIRADS等分类系统,在预测性能方面存在局限性.
研究的目的:
- 开发和验证基于深度学习的诺莫格拉姆模型,以更好地预测甲状腺结节恶性瘤.
- 为了将拟议的诺莫格拉姆模型的诊断准确性与现有方法进行比较.
主要方法:
- 对2247个甲状腺结节进行了回顾性分析,并提供了详细的临床和超声波特征.
- 开发用于超声波图像分析的深度学习模型.
- 构建一个名录模型,将深度学习预测与显著的临床超声波特征 (年龄,回声焦点) 整合起来.
主要成果:
- 深度学习模型实现了高精度 (0.886),精度 (0.900),回忆 (0.889) 和F1得分 (0.895).
- 年龄,回声焦点和深度学习预测值被确定为显著的独立预测因素 (P<0.05).
- 与单独的C-TIRADS和深度学习模型相比,名图模型表现出卓越的准确性,校准性和临床实用性.
结论:
- 年龄,深度学习预测值和回声源焦点是区分甲状腺结节的有效独立预测因素.
- 综合的诺米图模型为甲状腺结节提供了更高的诊断准确性,改善了当前的标准.
