基于超声波的分类卵泡甲状腺癌使用深 convolutional 神经网络与转移学习

科学领域:

• 医疗成像中的人工智能
• 甲状腺结节诊断 甲状腺结节诊断
• 机器学习用于病理学.

背景情况:

• 区分卵泡性甲状腺癌 (FTC) 和卵泡性甲状腺瘤 (FTA) 是具有挑战性的,影响患者管理.
• 目前的基于超声波的风险分层系统,如ACR-TIRADS和C-TIRADS在区分这些条件方面存在局限性.
• 深度学习,特别是卷积神经网络 (CNN),有望提高医学成像中的诊断准确性.

研究的目的:

• 开发和验证CNN模型,使用手术前甲状腺超声波图像来区分FTC和FTA.
• 将开发的CNN模型的诊断性能与已建立的ACR-TIRADS和C-TIRADS风险分层系统进行比较.
• 评估CNN模型的临床实用性和校准,以指导卵泡甲状腺瘤的管理.

主要方法:

• 对327名患有FTC或FTA的患者进行回顾性分析,这些患者接受了手术前甲状腺超声波检查.
• 在培训 (n=263) 和测试 (n=64) 队列中开发和测试五个预训练CNN模型 (VGG16,ResNet101,MobileNetV2,ResNet152,ResNet50).
• 使用接收器操作特征 (ROC) 曲线,决策曲线分析和校准曲线进行性能评估;与ACR-TIRADS和C-TIRADS进行比较.

主要成果:

• 在CNN模型中,ROC曲线 (AUC) 下的面积在0.64和0.77之间,以区分FTC和FTA.
• 在ResNet152模型中,AUC最高为0.77 (95%CI,0.67-0.87).
• 与ACR-TIRADS和C-TIRADS相比,开发的CNN模型表现出优异的性能,具有有利的临床价值和校准.

结论:

• 美国有线电视新闻网的模型,特别是ResNet152,显示出区分FTC和FTA的巨大潜力.
• 开发的AI模型的性能优于当前的超声波风险分层系统,提供了更可靠的诊断工具.
• 这些CNN模型有可能改善患有卵泡甲状腺瘤的患者的临床管理.