基于深度学习的超分辨率美国放射学来区分丸半瘤和非半瘤:一项国际多中心研究
Yafang Zhang1, Shilin Lu1, Chuan Peng1
1Department of Ultrasound, Sun Yat-sen University Cancer Center, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Guangzhou, China.
Insights into imaging
|August 1, 2025
概括
使用超高分辨率超声波图像的深度学习模型有效地区分丸生殖细胞瘤亚型 (精子瘤与非精子瘤). 这种临床放射学方法超越了当前的诊断方法,提供了准确的,非侵入性的手术前评估.
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:
- 区分精子瘤 (SE) 和非精子瘤 (n-SE) 对于丸生殖细胞瘤 (TGCT) 治疗和预后至关重要.
- 目前使用超声波 (US) 进行手术前SE/n-SE区分的方法存在局限性.
研究的目的:
- 评估基于深度学习的超分辨率 (SR) 美国放射学模型,以区分SE和n-SE.
- 将SR放射学模型的性能与原生分辨率 (NR) 模型和放射学家的评估进行比较.
主要方法:
- 一项国际多中心回顾性研究,涉及486名TGCT患者.
- 应用预先训练的SR算法来增强美国图像.
- 使用ROC分析构建和验证NR,SR和临床放射学模型.
主要成果:
- 在所有验证集中,SR放射学模型显著优于NR模型 (AUC 0.90-0.91与0.82-0.90).
- 基于SR的临床放射学模型与单独SR放射学模型相比,实现了更高的诊断性能 (AUC 0.95-0.97).
- 临床放射学模型在国内和国际队列中超过了经验丰富的放射科医生的诊断准确度.
结论:
- 基于深度学习的SR US放射学模型,特别是当与临床数据集成时,可以有效和准确地在手术前区分SE和n-SE.
- 这种方法为TGCT亚型的当前诊断局限性提供了一个非侵入性的替代方案.
