基于局部关注和多尺度特征提取的甲状腺结节人机协作风险评估模型:一个多中心临床研究
Shunlan Liu1, Yang Yang2, Mingli Cai3
1Department of Ultrasound Medicine, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, China.
Endocrine
|May 23, 2025
概括
一个新的人机协作模型使用人工智能准确评估甲状腺结节风险. 这种工具提高了诊断性能,特别是对于经验较少的放射科医生来说,提高了甲状腺结节检测灵敏度.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 诊断决策支持诊断决策支持
背景情况:
- 甲状腺结节很常见,需要准确的风险评估以进行适当的管理.
- 放射科医生的经验显著影响甲状腺结节的诊断准确性.
- 当前的诊断方法可能是主观的,性能也会有所不同.
研究的目的:
- 评估一种用于甲状腺结节的新型人机协作风险评估模型.
- 为了比较模型的性能与不同经验水平的放射科医生.
- 使用模型评估辅助策略对诊断结果的影响.
主要方法:
- 一项多中心研究利用8063名患者的超声波图像进行模型培训和验证.
- 开发了一个深度学习模型,具有本地关注和多层次特征.
- 该模型的诊断性能与初级,中级和高级放射科医生进行了基准测试.
- 一个辅助策略允许放射科医生根据模型输出来改进诊断.
主要成果:
- 该模型在识别特定的甲状腺结节特征方面取得了很高的准确性 (例如,组成0.966,回声性0.809).
- 该模型用于结节诊断的接收器操作特征曲线 (AUROC) 下的面积为0.882,超过初级放射科医生 (0.789).
- 辅助策略显著改善了初级放射科医生的AUROC,达到0.859,并使灵敏度从66.11%提高到80.00%.
结论:
- 人机协作模型准确地识别了甲状腺结节风险特征.
- 该模型有效地提高了诊断性能,特别是对于经验较少的放射科医生来说.
- 这种辅助策略在提高甲状腺结节检测的诊断准确度和灵敏度方面表现有前途.
