双阶段的人工智能驱动的查用于准确分类甲状腺结节:增强细针吸收活检精度精度
Dianhuan Tan1, Yue Zhai1, Zhengming Hu1
1Shenzhen Key Laboratory for Drug Addiction and Medication Safety, Department of Ultrasound, Institute of Ultrasonic Medicine, Peking University Shenzhen Hospital, Shenzhen Peking University-The Hong Kong University of Science and Technology Medical Center, Shenzhen, China.
Quantitative imaging in medicine and surgery
|July 3, 2025
概括
这项研究引入了一种新的深度学习模型来分类甲状腺结节,提高诊断准确度,并可能减少侵入性细针吸收活检 (FNAB) 的需要. 人工智能工具准确地区分良性和恶性甲状腺疾病.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确区分甲状腺结节,特别是恶性和良性类型之间的区分,对于治疗至关重要.
- 精细针吸收活检 (FNAB) 是标准的,但可能是侵入性的和不必要的.
- 需要一种新的深度学习方法来提高诊断准确度和减少侵入性手术.
研究的目的:
- 开发和评估一种双阶段的深度学习架构,用于对甲状腺结节进行四类分类.
- 提高甲状腺结节诊断的准确性,减少不必要的侵入性手术,如FNAB.
- 与传统方法相比,提供更精确和更一致的分析.
主要方法:
- 一个双阶段的深度学习框架,整合了细分和分类.
- 用于结节边界细分的K-Net.
- 移动ViT用于将结节分为四种类别:乳头癌,髓癌,带有腺瘤增生症的结节,以及慢性淋巴细胞甲状腺炎 (CLT).
主要成果:
- 在节点细分方面,K-Net实现了87.06%的平均交叉与联合.
- 在验证组中,MobileViT的准确率达到92.33%,在测试组中达到90.27%.
- 在所有类别中具有高分类准确性,在乳头甲状腺癌和CLT方面表现强.
结论:
- 双阶段深度学习框架为甲状腺结节分析提供了一种高效,非侵入性的工具.
- 这种方法对临床应用有希望,有助于差异诊断和指导FNAB决策.
- 综合细分和分类模型完善了甲状腺结节分析,可能降低了侵入性.
