一个基于超声波图像的深度学习放射学诺米克图,用于区分良性和恶性不确定细胞学 (贝塞斯达III) 甲状腺结节:一项回顾性研究
Lichang Zhong1, Lin Shi1, Weimei Li1
1Department of Ultrasound in Medicine, Sixth People's Hospital Affiliated to Medical College of Shanghai Jiaotong University, Shanghai Institute of Ultrasound in Medicine, Shanghai, China.
Journal of clinical ultrasound : JCU
|May 21, 2025
概括
一种新的深度学习放射学名图 (DLRN) 能够有效地预测未确定的甲状腺结节 (Bethesda III) 中的恶性瘤. 这种人工智能模型集成了超声波图像和临床数据,以提高诊断准确度.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 带有不确定的细胞学 (Bethesda III) 的甲状腺结节带来了诊断挑战.
- 准确区分良性和恶性结节对于适当的患者管理至关重要.
研究的目的:
- 开发和验证一个深度学习放射学名录 (DLRN).
- 用手术前超声波图像和临床特征预测甲状腺结节的不确定的细胞学 (贝塞斯达III) 恶性瘤.
主要方法:
- 对194名贝塞斯达III型甲状腺结节患者的回顾性研究.
- 从超声波图像中集成深度学习 (DTL) 和放射性特征.
- 开发和验证一个包含临床特征的诊断模型.
主要成果:
- DLRN模型在区分良性和恶性Bethesda III结节方面表现出卓越的稳定性.
- 验证组的AUC为0.92,精度,灵敏度和特异性分别为0.897,0.882和0.909.
结论:
- 综合DTL,超声波放射学和临床数据的综合多维模型有效区分良性和恶性不确定的甲状腺结节.
- 该模型为贝塞斯达III型甲状腺结节患者的治疗选择提供了宝贵的指导.
