基于超声波的机器学习模型来预测绝经后妇女的子宫内膜癌风险
Yi-Xin Li1, Yu Lu1, Zhe-Ming Song2
1Shanghai Key Laboratory of Maternal Fetal Medicine, Shanghai Institute of Maternal-Fetal Medicine and Gynecologic Oncology, Shanghai First Maternity and Infant Hospital, School of Medicine, Tongji University, Shanghai, China.
BMC medical imaging
|July 2, 2025
概括
结合放射学和深度学习特征的人工智能 (AI) 模型显著改善了绝经后妇女对子宫内膜癌 (EC) 的超声波查. 这种人工智能驱动的方法提高了诊断的准确性,并减少了与传统方法相比的变化.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 目前对子宫内膜癌 (EC) 的超声波查缺乏特异性,并且受观察者之间的高变化影响.
- 传统方法依赖子宫内膜厚度 (ET) 和形态,这不足以准确诊断.
研究的目的:
- 开发和验证人工智能 (AI) 驱动的诊断模型,以改善子宫内膜癌检测.
- 提高诊断准确度,减少使用超声波的EC查的变异性.
主要方法:
- 参与研究的是1861名绝经后妇女. 超分辨率 (SR) 技术增强了超声波图像质量.
- 放射学和深度学习功能被提取出来. 开发了三种模型:基于放射学 (R),基于卷积神经网络 (CNN) 和混合深度学习放射学 (DLR) 模型.
主要成果:
- 在内部和外部测试数据集中,DLR模型实现了最高的诊断性能 (分别为AUROC 0.893和0.871).
- 与R和CNN模型相比,DLR模型表现出更高的灵敏度和特异性.
- 子宫内膜水平的感兴趣区域 (ROI) 提供了比子宫体水平的ROI更好的诊断结果.
结论:
- 人工智能增强的超声波分析,将放射学和深度学习与SR预处理相结合,对于EC检测是可行的,并且在临床上有价值的.
- 开发的模型提高了诊断特异性,减少了假阳性,并减轻了依赖操作者的变化.
- 这种非侵入性AI方法为绝经后妇女的子宫内膜癌查提供了更准确,更可靠的工具.
