可解读的深度学习模型通过微探针内超声学诊断胃肠道 stromal 瘤和病变特征

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 微波内镜超声波 (MEUS) 对于诊断胃肠道 stromal 瘤 (GISTs) 是至关重要的.
• 当前的人工智能模型在基于MEUS的GIST诊断的解释性,概括性和诊断特异性方面面临挑战.
• 将临床特征集成到AI中可以改善诊断工作流程的对齐.

研究的目的:

• 开发和验证可解释的深度学习模型 (ECMAI-ME) 用于使用MEUS.ME进行GIST诊断.
• 与人类内镜医生相比,评估ECMAI-ME的通用性和有效性.
• 通过MEUS提高GIST检测的诊断准确性和特异性.

主要方法:

• 开发了七个深度学习模型,将损伤特征集成到MEUS图像中.
• 训练了来自中国五家医院的522个下病变 (SEL) 的模型.
• 在两个外部数据集上验证了顶级模型 (ECMAI-ME),并在使用163个SEL的多中心测试中与内镜师比较其性能.

主要成果:

• 在内部案例分类方面,ECMAI-ME获得了0.972的AUC,并在外部验证中保持一致的表现.
• 在多中心测试中,该模型在精度 (85.28% vs. 56.44-77.91%) 和特异性 (89.19% vs. 52.25-72.92%) 中显著超过了内镜.
• 在分类病变的回声性 (96.93%),原始层 (88.34%) 和回声异质性 (77.30%) 方面,ECMAI-ME表现出高准确度.

结论:

• 可解释的ECMAI-ME模型在不同的医院和设备中提供了高度的特异性和适应性.
• ECMAI-ME显示了强大的潜力,可以集成到临床工作流程中,以加强使用MEUS.
• 在临床特征的指导下,人工智能集成可以克服目前GIST诊断方法的局限性.