人工智能增强的甲状腺瘤的超声诊断:一个多中心的回顾性研究

科学领域:

• 人工智能在医学中的应用
• 医学成像分析 医学成像分析
• 瘤学 诊断 诊断 瘤学

背景情况:

• 目前用于毛囊模式瘤 (FNs) 的诊断方法在区分良性和恶性病例方面缺乏可靠性.
• 这种诊断不确定性可能会导致低于最佳的外科干预,包括不必要的手术或不充分的治疗.
• 对于 FN 进行手术前诊断工具的改进至关重要.

研究的目的:

• 开发和验证一个深度学习 (DL) 系统用于毛囊模式瘤 (FNs) 的术前诊断.
• 使用常规超声波图像作为DL系统的输入.
• 为了提高诊断的准确性,并尽量减少不必要的手术手术 FNs.

主要方法:

• 一项多中心的回顾性研究,涉及3817名在中国11个中心的FN患者.
• 开发了OverLoCK深度学习模型,使用来自2728名患者的9393张超声波图像.
• 对内部 (683名患者) 和外部 (406名患者) 队列的模型验证,通过AUC,准确性,灵敏度,特异性,PPV,NPV和F1得分来评估性能.

主要成果:

• 在内部和外部验证集中,OverLoCK DL模型表现出高性能.
• 内部验证:AUC为0.937,准确率为90.9%,灵敏度为93.9%,特异性为84.8%.
• 外部验证:AUC为0.853,准确率为82.8%,灵敏度为84.5%,特异性为81.1%.
• DL模型显示了良好的校准和临床实用性,由决策曲线分析证实.

结论:

• 基于深度学习的系统提供了一种非侵入性,准确和可靠的方法,用于手术前诊断卵泡模式瘤.
• 提高诊断精度可以优化临床决策,减少FN患者的过度治疗.
• 建议进行进一步的前性研究,以在现实世界的临床环境中证实这些发现.