深度学习模型用于TI-RADS 4高风险特征的甲状腺结节的恶性病症预测,使用多式超声波:一项多中心研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 甲状腺结节的计算机辅助诊断可以减少误诊.
• 目前的方法通常使用单个成像模式,限制性能.
• 多模式成像集成为提高准确性提供了潜力.

研究的目的:

• 开发和验证一种深度学习框架,用于使用多式超声波图像预测甲状腺结节恶性瘤.
• 评估模型对放射科医生的性能及其提高诊断准确性的潜力.

主要方法:

• 设计了一个深度学习框架,以整合B模式超声波 (BMUS) 和应变弹性学 (SE) 图像.
• 图像预处理包括结节区域提取,边界扩展和对比度增强 (APSO,CLAHE).
• 高维特征被提取并融合,用于TI-RADS 4分类甲状腺结节.

主要成果:

• 该模型实现了高AUC值 (0.937测试,0.927验证),证明了强大的概括性.
• 人工智能模型在诊断性能方面明显超过了三组放射科医生.
• 在人工智能模型的帮助下,放射科医生的表现得到了改善,热图显示与专家解释的对齐.

结论:

• 多模式深度学习模型在协助甲状腺结节诊断方面显示出显著的临床价值.
• 它可以减少错过和错误诊断的病例,特别是高风险结节.
• 该模型的可信度得到了其性能和与放射科医生专业知识的协调的支持.