基于深度学习的超声波诊断模型用于卵泡甲状腺癌
Yuan Wang1, Wenliang Lu2, Lei Xu3,4
1School of Science, Zhejiang Sci-Tech University, Hangzhou, China.
European radiology
|July 18, 2025
概括
一种新的深度学习模型通过超声波图像准确地诊断囊性甲状腺癌 (FTC),优于现有方法和放射科医生. 这种人工智能工具对改善手术前诊断和减少FTC错误诊断充满希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 使用超声波进行卵泡甲状腺癌 (FTC) 的术前诊断是具有挑战性的.
- 准确区分FTC与良性和其他恶性甲状腺瘤对于有效的治疗计划至关重要.
研究的目的:
- 开发和评估一个端到端的深度学习模型来分类甲状腺瘤.
- 该模型旨在根据超声波图像区分良性瘤,FTC和其他恶性亚型.
主要方法:
- 一项回顾性多中心研究,涉及10,771名成年患者.
- 使用预训练的卷积神经网络和变压器模型,增强了新型数据增强方法和混合损失函数.
- 该模型经过训练,可以直接使用超声数据从其他恶性和良性甲状腺瘤中识别FTC.
主要成果:
- 该模型在1078名患者的测试数据集上取得了出色的诊断性能 (平衡精度0.87,AUC0.96,平均灵敏度0.87,平均特异性0.92).
- 在区分FTC与其他恶性和良性甲状腺瘤方面表现优于最先进的模型.
- 在甲状腺瘤诊断方面,与初级,中级和高级放射科医生相比,表现优越.
结论:
- 开发的深度学习模型有效地解决了甲状腺瘤数据集中的类不平衡问题.
- 与现有方法相比,在区分FTC与其他恶性和良性瘤方面取得了卓越的性能.
- 该模型显示了作为计算机辅助诊断工具的潜力,以减少临床环境中FTC的错误诊断和错误诊断.
