通过使用AI优化的3D CNN来进行PET/CT扫描分析,提高了卵巢癌的检测能力
Mohammad Hossein Sadeghi1, Sedigheh Sina2,3, Reza Faghihi1,4
1Nuclear Engineering Department, School of Mechanical Engineering, Shiraz University, Shiraz, Iran.
Physical and engineering sciences in medicine
|August 5, 2025
概括
深度学习 (DL) 模型显著改善了卵巢癌的诊断和分期. 一个新的OCDA-Net模型使用[18F]FDG PET成像实现了92%的诊断准确性和94%的分期准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢癌的诊断和分期依赖于对成像数据的准确解释.
- 传统的深度学习 (DL) 模型显示出前景,但需要针对特定应用进行优化.
- 定子发射断层扫描 (PET) 成像,特别是[18F]FDG,为癌症评估提供了关键的功能信息.
研究的目的:
- 评估一种新的DL模型OCDA-Net的疗效,用于使用[18F]FDG PET图像进行卵巢癌诊断和分期.
- 将OCDA-Net的性能与已建立的卷积神经网络 (CNN) 架构进行比较.
- 评估DL模型预测的临床可解释性.
主要方法:
- 开发和实施OCDA-Net,这是一个基于ResNet的增强模型,用于[18F]FDG PET图像分析.
- 与六个传统的CNN (ResNet,DenseNet,GoogLeNet,U-Net,VGG,AlexNet) 相比,对OCDA-Net进行了比较分析.
- 使用随机分割的数据集 (80%的培训,10%的验证,10%的测试) 并在100个时代中训练模型. 为了解释性,使用了Grad-CAM++热图.
主要成果:
- OCDA-Net实现了卓越的性能,诊断分类准确率为92%和分期准确率为94%.
- 该模型展示了强大的精度,回忆和F测量指标,超过了传统的CNN.
- Grad-CAM++可视化证实了OCDA-Net对超代谢病变的关注,提高了临床解释性.
结论:
- 与现有的CNN模型相比,OCDA-Net显著提高了卵巢癌诊断和分期精度.
- 该模型识别超代谢病变的能力支持其临床应用的潜力.
- 在临床实践中实施OCDA-Net等先进的DL模型可能会改善患者的预后和结果.
