相关实验视频
Updated: Jul 1, 2026
04:43
Detection of Lung Tumor Progression in Mice by Ultrasound Imaging
Published on: February 27, 2020
基于超声波的深度学习来区分唾液腺瘤
Jialu He1, Xueer Zhou1, Yilin Hu2
1State Key Laboratory of Oral Diseases, National Clinical Research Center for Oral Diseases, West China Hospital of Stomatology, Sichuan University, Chengdu, Sichuan, China.
概括
一个新的深度学习模型,DeepSGT,使用超声波图像准确地区分良性与恶性唾液腺瘤 (SGTs),在诊断准确度上优于人类超声波仪.
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:
- 精确的唾液腺瘤手术前诊断对于有效的手术规划至关重要.
- 在手术前区分良性和恶性SGT仍然是一个临床挑战.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于使用超声波 (US) 成像来区分良性和恶性SGT.
- 将DL模型的诊断性能与经验丰富的超声波仪进行比较.
主要方法:
- 对315名病理确认SGT患者进行了回顾性分析,这些患者接受了手术前的US.
- 卷积神经网络 (CNN),包括ResNet50d精调的焦点损失,用于分析美国图像.
- 用准确度,灵敏度,特异性和曲线下的面积 (AUC) 来评估模型性能.
主要成果:
- DeepSGT模型实现了高诊断性能:91.1%的准确性,92.9%的灵敏性,89.2%的特异性和0.94.9%的AUC.
- DL模型显著优于超声波仪,超声波仪的准确度达到80%,AUC为0.73.
- 在美国图像中,DeepSGT有效地识别了关键诊断区域.
结论:
- 开发的DeepSGT模型表明,与传统的超声波测试相比,SGT的诊断准确度更高.
- 这种人工智能驱动的方法提供了一个有前途的工具,可以增强手术前诊断,并指导SGT管理的临床决策.
