深度学习算法用于从跨直肠超声波图像中确定直肠癌的存在
Min Cheol Chang1, Sung Il Kang2, Sohyun Kim2
1Department of Rehabilitation Medicine, College of Medicine, Yeungnam University, Daegu 42415, Republic of Korea.
Life (Basel, Switzerland)
|September 27, 2025
概括
使用卷积神经网络 (CNN) 的深度学习模型有效地在跨直肠超声波 (TRUS) 图像中识别直肠癌. 这种人工智能工具有望提高诊断准确度,并支持在检测直肠癌方面的临床决策.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 诊断技术 诊断技术的使用
背景情况:
- 过直肠超声波 (TRUS) 对于检测直肠癌至关重要,但准确性取决于检查人员的经验.
- 深度学习,特别是卷积神经网络 (CNN),有可能增强医学图像分析.
- 这项研究旨在开发和评估CNN,以从TRUS图像中改进直肠癌的识别.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于使用跨直肠超声波 (TRUS) 图像检测直肠癌.
- 提高直肠癌识别的诊断准确性,克服与检查员经验相关的局限性.
- 提供一种计算工具,帮助临床医生诊断直肠癌.
主要方法:
- 681张TRUS图像的回顾性收集 (2008年8月至2022年9月).
- 图像分类为"直肠癌"和"正常直肠"类别.
- 训练CNN模型使用EfficientNetV2-S架构进行图像差异化.
主要成果:
- CNN模型实现了高性能指标:96.7%的训练准确率和90.5%的验证准确率.
- 曲线下的面积 (AUC) 值为0.996 (培训) 和0.945 (验证).
- 对于直肠癌的特定性能:精度0.935,回忆0.944,F1得分0.940;对于正常直肠:精度0.793,回忆0.767,F1得分0.780.
结论:
- 开发的CNN模型在TRUS图像中表现出强大的能力来区分直肠癌与正常直肠.
- 该模型作为临床医生有价值的决策支持工具,有可能增强诊断工作流程.
- 建议进行进一步的研究,以扩大模型的概括性,并纳入阶段分类.
