多模式模型增强了高血管甲状腺结节的定性诊断:集成基于B模式和PDI图像的放射学和深度学习功能
Wen Wen1, Tingrui Zhang2, Haina Zhao1
1Department of Ultrasound, West China Hospital, Sichuan University, Chengdu, China.
Gland surgery
|September 15, 2025
概括
这项研究开发了多式机器学习模型,以改善高血管甲状腺结节的诊断. 结合B模式和功率多普勒成像功能,提高了准确性,可能减少了侵入性活检的需要.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 超血管性甲状腺结节由于超声波特征的重叠而存在诊断挑战.
- 区分良性和恶性结节需要先进的成像分析.
研究的目的:
- 开发和验证集成B模式和功率多普勒成像 (PDI) 的多式机器学习模型,用于高血管甲状腺结节的分类.
- 评估各种机器学习算法和功能集的性能.
主要方法:
- 对315个病理确认的高血管甲状腺结节进行了回顾性分析.
- 从B模式和PDI超声波图像中整合深度学习衍生和放射学特征.
- 培训和验证五个机器学习模型,包括支持矢量机 (SVM) 和一个融合模型.
主要成果:
- 在单一模式分析中,SVM模型表现出强的表现 (B模式AUC:0.89,PDI AUC:0.86).
- 合并模型显示出优异的回忆力 (0.95) 和F1得分 (0.86),表明了互补的诊断价值.
- 放射学特征被确定为对诊断准确性的关键贡献者.
结论:
- 多式超声波融合模型,特别是基于SVM的超声波融合模型,可以提高高血管甲状腺结节的诊断准确度.
- 放射学和深度学习功能的整合提供了可靠的工具,以尽量减少侵入性活检.
