一个改进的诊断深度学习模型用于宫淋巴结核病的特征.

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:

• 宫淋巴腺症 (CLP) 的诊断依赖于成像和病理学.
• 在传统的B模式超声波中,区分良性和恶性CLP可能具有挑战性.
• 深度学习 (DL) 提供了改善诊断准确性的潜力.

研究的目的:

• 验证一种基于超声波的B模式深度学习 (DL) 模型,用于区分良性和恶性宫淋巴结核病 (CLP).
• 将DL模型的诊断性能与传统超声波特征和物流回归模型进行比较.

主要方法:

• 一项回顾性研究包括210名病理学结果的临床临床医生,分为培训 (n=169) 和测试 (n=41) 队列.
• 使用卷积神经网络,可变形卷积网络和注意力机制开发了DL模型.
• 三种模型进行了比较:模型I (超声波特征),模型II (逻辑回归风险得分) 和模型III (DL输出). 用曲线下的面积 (AUC),灵敏度和特异性来评估诊断效用.

主要成果:

• 在训练队列中,DL阳性结果是恶性瘤最强的预测因素 (OR = 39.05,p < 0.001).
• 在测试队列中,DL模型与模型I (0.681,p=0.04) 和模型II (0.679,p=0.03) 相比,实现了显著更高的AUC (0.871).
• 模型III (DL) 的特异性 (93.3%) 比模型I (40.0%,p=0.002) 和模型II (60.0%,p=0.03) 高得多.

结论:

• 基于B模式超声波的深度学习是一种潜在的强大工具,用于对良性和恶性宫淋巴结核病的差异诊断.
• 在区分恶性CLP方面,DL模型显著优于传统方法.
• 这种人工智能方法有望提高宫淋巴腺病的诊断准确性.