一个基于深度学习的人工智能模型,协助甲状腺结节的诊断和管理:在儿科队列中评估甲状腺恶性病的试点结果
Eun Ju Ha1,2, Jeong Hoon Lee2,3, Natalie Mak1
1Department of Radiology, Lucile Packard Children's Hospital, Stanford University, Palo Alto, California, USA.
概括
一种深度学习 (DL) 模型,AI-甲状腺,在通过超声波图像检测儿科甲状腺癌方面表现出高准确性. 这种人工智能 (AI) 工具的性能与成人数据相提并论,在诊断儿科甲状腺结节时,它超过了放射科医生的解释.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科瘤学 儿科瘤学
背景情况:
- 深度学习 (DL) 模型对成人恶性甲状腺结节预测有前途.
- 对儿童甲状腺结节的DL应用存在有限的研究.
研究的目的:
- 评估基于DL的模型 (AI-甲状腺) 的有效性,以评估儿科甲状腺结节.
- 将AI模型的性能与使用TIRADS的放射科医生解释进行比较.
主要方法:
- 对两个儿科队列 (n=128) 的回顾性分析,用甲状腺结节超声波 (US) 和组织学确认.
- 在轴向,纵向和组合的美国图像上测试AI-甲状腺DL模型.
- 根据队列,年龄组进行子组分析,并与ACR-TIRADS和K-TIRADS进行比较.
主要成果:
- 在诊断小儿甲状腺癌方面,AI-甲状腺获得了高性能 (AUROC 0.913-0.929,灵敏度78.7-89.4%,特异性79.8-91.7%).
- 模型性能在图像平面和儿科队列中是一致的.
- 在诊断准确度方面,AI-甲状腺的表现优于ACR-TIRADS和K-TIRADS.
结论:
- 人工智能-甲状腺DL模型显示了诊断小儿甲状腺癌的巨大潜力.
- 需要进一步的研究来优化人工智能模型的儿科使用,并将其与组织采样一起纳入临床实践.
