一个新的网络来解决主观掩盖差异和准确的甲状腺结节诊断
Zhiyuan Ouyang1, Simei Huang2, Liuju Liang3
1Guangxi Key Laboratory on Precise Prevention and Treatment for Thyroid Tumor, The Second Affiliated Hospital, Guangxi University of Science and Technology, Liuzhou, China; School of Mathematical Sciences, East China Normal University, Shanghai, China.
Computational biology and chemistry
|August 17, 2025
概括
一个新的AI模型,APSNet,减少了甲状腺结节超声波分析中的主观偏见. 它提高了诊断准确度,为临床医生在检测甲状腺癌方面提供了更可靠的工具.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 在瘤学瘤学.
背景情况:
- 甲状腺癌的发病率在过去的30年里显著上升.
- 超声波对于区分良性和恶性甲状腺结节至关重要.
- 在超声波分析中手动输入引入了主观偏差.
研究的目的:
- 开发一种新型的网络架构,APSNet,以减少来自手动面具的主观偏见.
- 为了提高甲状腺结节分类模型的准确性.
- 合并多个尺度的特征,以提高诊断性能.
主要方法:
- 灵感来自主动和被动系统的 APSNet 集成了注意力机制.
- 该模型在局部超声数据集上进行训练,并在外部TDID和TN3K数据集上进行验证.
- 使用Dice,IoU,F1,Acc,Sen,Spe,Ppv,Npv,AUC和统计测试 (Friedman,DeLong) 来评估表现.
主要成果:
- 在TDID和TN3K数据集上,APSNet在多个指标上表现出卓越的表现.
- 获得了高精度 (Acc) 和F1分数,AUC值约为0.92.
- 统计测试证实了APSNet对现有模型的显著改进; 废弃研究验证了双系统设计和变压器骨干.
结论:
- 在甲状腺结节诊断方面,APSNet代表了显著的进步.
- 该模型有效地减轻了主观性,并增强了特征提取.
- APSNet为临床医生提供了一个更准确,更可靠的诊断工具.
