一个基于深度学习的自动识别模型,用于多囊卵巢超声波图像
Baihua Zhao1,2, Lieming Wen2, Yunxia Huang3
1Department of Ultrasound, Nanfang Hospital, Southern Medical University, Guangdong, China
Balkan medical journal
|August 11, 2025
概括
一个新的深度学习模型使用卵巢超声波图像准确识别多囊性卵巢综合征 (PCOS). 与临床医生相比,这种AI工具可以显著加快诊断速度,提高PCOS评估的效率.
科学领域:
- 医疗成像中的人工智能
- 生殖内分泌学 生殖内分泌学
- 诊断准确性研究 诊断准确性研究
背景情况:
- 多囊卵巢综合征 (PCOS) 显著影响女性的健康,影响新陈代谢,生殖和心理健康.
- 目前用于诊断多囊性卵巢形态的超声波方法具有可变的准确性.
研究的目的:
- 开发一个深度学习模型,从卵巢超声波图像中快速准确地识别PCOS.
- 评估YOLOv11框架在检测PCOS方面的诊断性能.
主要方法:
- 一项前性诊断准确性研究,涉及1751名疑似PCOS的妇女.
- 使用来自两个中心的数据,随机分配患者进行培训,内部验证和外部验证.
- 构建了一个YOLOv11深度学习模型,用于在卵巢超声波图像中自动识别PCOS.
主要成果:
- 在训练和验证组中,YOLOv11模型实现了高平均精度 (95.7%-97.8%) 和F1得分 (95.0%-96.9%).
- 曲线下的面积值在0.953到0.973之间,表明强大的诊断能力.
- 模型的评估时间 (0.1秒) 比临床医生 (5.0秒) 快得多.
结论:
- 基于YOLOv11的模型在从卵巢超声波图像中检测PCOS方面表现出强大的性能.
- 这种自动化方法可以提高基于超声波的PCOS评估的效率和通用性.
- 该模型简化了卵泡计数,提高了诊断效率.
