一种可解释的放射学模型,将超声波和临床特征整合起来,用于囊淋巴结的多类分类
Yin Zheng1, Chen Chen2, Hongwei You3
1The Second School of Clinical Medicine, Zhejiang Chinese Medical University, Hangzhou, Zhejiang, China; Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, China.
Ultrasound in medicine & biology
|August 31, 2025
概括
一个新的AI模型,ALNIP,使用超声波准确地分类下淋巴结 (ALN) 病变. 这种工具有助于进行非侵入性诊断,改善瘤分期和治疗决策,从而改善患者的治疗结果.
科学领域:
- 放射学
- 人工智能
- 癌症学
背景情况:
- 准确的下淋巴结分类对于癌症的分期和治疗至关重要.
- 目前放射科医生的超声波解释在区分良性,转移性癌症和淋巴瘤方面存在局限性.
- 需要改进的诊断工具进行精确的手术前ALN评估.
研究的目的:
- 开发和验证淋巴结可解释预测 (ALNIP) 模型.
- 使用超声波和临床数据将ALN分为良性,转移性癌症或淋巴瘤.
- 将ALNIP模型的性能与放射科医生的评估进行比较.
主要方法:
- 一个多中心的回顾性研究,涉及1480个ALN.
- 使用ElasticNet回归从超声图像中提取和选择放射性特征.
- 在多个数据集中验证的ALNIP模型的开发.
主要成果:
- 后勤放射学模型实现了0.835的微AUC.
- 在ALNIP模型中,MicroAUC为0. 924 (试验组),0. 905 (外部验证1) 和0. 853 (外部验证2).
- ALNIP模型显著优于所有经验水平的放射科医生.
结论:
- ALNIP模型提供了可靠和可解释的手术前ALN状态预测方法.
- 它显示出非侵入性诊断的巨大潜力, 特别是在超声波上挑战ALN.
- 该模型可以帮助临床决策,影响瘤分期和治疗策略.
