基于超声波和细胞学图像的多模式深度学习模型预测了cN0乳头甲状腺癌的风险分层
Fanding He1, Shiyin Chen2, Xiaoling Liu3
1Department of Medical Ultrasound, Sichuan Provincial People's Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu, China, 610000 (F.H.).
Academic radiology
|July 15, 2025
概括
一个新的深度学习 (DL) 模型整合了超声波和细胞学图像,准确地预测了乳头甲状腺癌 (PTC) 患者的风险. 这种非侵入性工具有助于N0 PTC手术前风险分层和治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的手术前对cN0乳头甲状腺癌 (PTC) 的风险分层对于有效的治疗计划至关重要.
- 目前的方法可能缺乏精确性,在手术前评估N0 PTC的风险.
研究的目的:
- 开发和验证一种多模式深度学习 (DL) 模型,用于N0 PTC的非侵入性,手术前风险分层.
- 整合手术前超声波和细胞学图像,以提高诊断准确度.
主要方法:
- 一项回顾性多中心研究,涉及890名PTC患者,用于模型开发和验证.
- 通过超声波和细胞学图像训练和验证了一个深度学习模型.
- 模型性能使用包括AUC,精度,灵敏度和特异性在内的指标进行评估.
主要成果:
- 组合DL模型实现了高性能,在内部验证中AUC为0.922,在测试组中为0.845.
- 与现有的临床模型相比,DL模型显示出更高的诊断性能.
- 基于图像的热图为模型的风险分层诊断提供了可解释性.
结论:
- 综合超声波和细胞学数据的多式深度学习模型为N0 PTC提供了准确的风险分层.
- 这种人工智能驱动的方法可以显著帮助指导PTC患者的手术前治疗决策.
