可解释的多模式深度学习用于预测甲状腺癌横向淋巴结转移,使用超声波成像

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:

• 准确的手术前预测横向淋巴结转移对于治疗甲状腺癌至关重要.
• 目前的预测方法缺乏精度,影响手术策略和患者预后.

研究的目的:

• 开发和验证一个深度学习模型,用于精确预先预测横侧淋巴结转移.
• 整合多式联运数据以提高诊断准确度.

主要方法:

• 开发了横向淋巴结转移网络 (LLNM-Net),这是一个双向注意力深度学习模型.
• 结合了来自7个中心的29,615名患者和98,36例手术病例的多式联络数据.
• 综合结节形态,位置,临床文本和人口统计.

主要成果:

• 在多中心测试中,LLNM-Net实现了0.944的曲线下面面积 (AUC) 和84.7%的准确性.
• 该模型的表现优于人类专家 (64.3%的准确率) 和之前的模型7.4%.
• 甲状腺囊附近的瘤 (>72%的转移风险) 和特定的叶片被确定为高风险区域.

结论:

• 通过LLNM-Net,在手术前查和横向淋巴结转移的风险分层方面显示出显著的潜力.
• 该模型集成多种数据源的能力提高了其预测能力.
• LLNM-Net提供了一种有前途的工具,可以改善外科决策和患者的治疗结果.