使用YOLOv10和转移学习早期检测乳腺癌中的肺转移:一种诊断准确性研究

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:

• 乳腺癌通常会转移到肺部.
• 精确检测肺转移对于治疗计划至关重要.
• 目前的诊断方法可能耗时,可能有局限性.

研究的目的:

• 开发和验证用于检测恶性和转移性肺病变的深度学习系统.
• 使用YOLOv10并转移学习以提高诊断准确度.
• 评估该系统在患有乳腺癌和确诊的肺转移的患者中的性能.

主要方法:

• 16名肺转移乳腺癌患者CT扫描的回顾性采集.
• 使用了1264张增强CT图像的标记数据集.
• 采用了YOLOv10深度学习框架与转移学习 (ResNet-50和GoogleLeNet模型).

主要成果:

• ResNet-50模型实现了96.4%的精度,94.1%的灵敏度,97.1%的特异性和90.3%的精度.
• 在数据集调整后,GoogLeNet模型达到97.3%的准确性.
• 曲线下的面积 (AUC) 为0.96,表明模型性能强.

结论:

• YOLOv10和转移学习显著提高了乳腺癌肺转移的诊断精度.
• 开发的系统显示出出色的性能指标,适合临床应用.
• 这种方法有助于早期诊断,减少放射科医生的工作量,并支持及时的治疗决策.