基于卷积神经网络模型的深度学习的应用在多式超声波诊断中,用于无法解释的宫淋巴结扩大
Shanshan Jiang1, Naiqian Zhang2, Chen Li2
1Department of Qunli Ultrasound, The First Affiliated Hospital of Harbin Medical University, Harbin, Heilongjiang, China.
Frontiers in oncology
|June 23, 2025
概括
这项研究表明,深度学习,特别是弹性图学,可以使用超声波准确地分类宫淋巴结病理,如淋巴瘤或转移. 一个新的工具,CV4LymphNode,有助于这种分类.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 在瘤学瘤学.
背景情况:
- 无法解释的宫淋巴腺病需要准确的诊断.
- 多模式超声波提供丰富的诊断信息.
- 深度学习显示出医学图像分析的前景.
研究的目的:
- 评估深度学习模型来分类宫淋巴结病理.
- 评估多式超声波 (2D,CDFI,弹性图) 在分类中的实用性.
- 开发一个用户友好的工具,用于临床应用.
主要方法:
- 追溯分析586名患有不明原因的宫淋巴腺病变的患者.
- 在超声波图像上进行卷积神经网络 (CNN) 的预训练和微调.
- 使用2D成像,彩色多普勒流成像 (CDFI) 和弹性图形进行分类.
- 基于表现最佳的模型开发一个服务器 (CV4LymphNode).
主要成果:
- 观察到临床和超声波特征的显著差异 (p<0.05).
- 预训练的ResNet模型使用弹性图学实现了0.925的AUC.
- 弹性扫描被证明是区分良性,淋巴瘤和转移性淋巴结的最可靠特征.
- 预训练显著提高了模型的准确性.
结论:
- 深度学习模型,特别是带有弹性图形的CNN,可以准确地分类宫淋巴结病理.
- 多式超声波数据增强了诊断能力.
- 开发的CV4LymphNode工具提供了临床决策支持的潜力.
