基于超声波图像的深度学习模型预测BRAF V600E突变在乳头甲状腺癌中的乳头甲状腺癌
Yiwen Yu1, Chengqian Zhao2, Ruohan Guo1
1Department of Ultrasound, Sun Yat-Sen University Cancer Center, State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Guangzhou, China.
iScience
|May 21, 2025
概括
一个新的深度学习模型,BrafSwinT,使用超声波图像准确地检测在乳头甲状腺癌 (PTC) 中的BRAF V600E突变. 这有助于改善PTC患者的风险分层.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- BRAF V600E突变状态对于预测皮质甲状腺癌 (PTC) 的预后至关重要.
- 精确检测这种突变有助于患者风险分层和治疗计划.
研究的目的:
- 开发和验证一种深度学习模型,用于检测PTC中的BRAF V600E突变状态.
- 评估模型的性能与现有的深度学习架构和传统方法相比.
主要方法:
- 开发了一个深度学习模型,BrafSwinT,将Swin Transformer V2 (SwinT) 骨干与放射学和临床数据集成.
- 该模型在1341名患者的数据上进行了训练和验证,并对来自三个中心的135名患者的独立组进行了测试.
主要成果:
- 在外部测试组中,BrafSwinT实现了0.869的曲线下的面积 (AUC).
- 综合模型的表现优于SwinT,Vision Transformer和ResNeSt-50 (AUC从0.782到0.824) 等个别深度学习模型.
结论:
- BrafSwinT模型在使用例行超声波图像和临床数据确定PTC中的BRAF V600E突变状态时表现出高准确性.
- 这种由人工智能驱动的方法显示了改善乳头甲状腺癌风险分层的巨大潜力.
