非侵入性深度学习系统用于使用超声波图像进行毛囊类甲状腺瘤的手术前诊断:一个多中心的回顾性研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在卵泡瘤 (FNs) 中恶性瘤的术前诊断具有挑战性.
• 目前的方法,如超声波和细胞学,往往无法明确区分良性和恶性FNs.
• 这导致不必要的活检和手术为良性结节.

研究的目的:

• 开发和评估深度学习 (DL) 系统,用于使用常规超声波图像进行FNs的手术前诊断.
• 将DL模型的诊断性能与ACR TI-RADS分类系统进行比较.
• 评估DL的潜力,以减少不必要的侵入性干预.

主要方法:

• 这是一项多中心的回顾性研究,涉及3634名被诊断为FNs的患者.
• 四个深度学习模型 (Inception-v3,ResNet50,Inception-ResNet-v2,DenseNet161) 在超声波图像上进行了训练和验证.
• 与ACR TI-RADS相比,使用AUC,灵敏度,特异性和不必要的活检率来评估诊断疗效.

主要成果:

• 外部验证的DL模型显示出强大的性能,AUC为82.2%-85.2%,灵敏度为69.6%-76.0%,特异性为84.1%-89.2%.
• 在诊断准确度方面,DL模型的表现优于ACR TI-RADS.
• DL模型实现了更高的恶性瘤活检率 (71.6%-79.9%对比37.7%),并显著降低了不必要的细针吸收活检 (FNAB) 率 (8.5%-12.8%对比40.7%).

结论:

• 一个非侵入性的深度学习工具提供了毛囊瘤的准确的手术前诊断.
• 与ACR TI-RADS相比,DL系统表现出优越的性能.
• 这种人工智能方法可以显著减少甲状腺结节的不必要的侵入性诊断程序.