SCLResNet和DSAF:一种基于自主监督的对比学习和深度自我注意的融合型多式联网,用于预测皮肤状甲状腺癌中中央淋巴结转移的预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在乳头甲状腺癌 (PTC) 中,准确预测中枢淋巴结转移 (CLNM) 对治疗规划至关重要.
• 现有的模型往往缺乏避免侵入性手术所需的精度.

研究的目的:

• 开发和验证一种多式联网深度学习模型,用于在PTC中预测CLNM.
• 评估CLNM预测中周血管脂肪组织 (PVAT) 特征的附加值.

主要方法:

• 建立了一个深度自我注意融合 (DSAF) 网络,整合了瘤超声波 (美国),PVAT计算机断层扫描 (CT) 和临床数据的特征.
• 对比学习 (SCLResNet101) 和SeResnet101分别用于从US和CT提取特征.
• 二元逻辑回归确定了独立的风险因素:性别,年龄,美国大小和甲状腺外延伸 (ETE).

主要成果:

• DSAF模型在内部测试队列中达到0.863的AUC,在外部测试队列中达到0.839.
• 该模型显著降低了虚假阳性和虚假阴性率,与两个队伍的放射科医生相比.
• 包括PVAT功能显著提高了多式联网深度学习模型的性能.

结论:

• 开发的多式联机深度学习模型在PTC中预测CLNM方面表现出高准确性.
• 整合PVAT成像数据显著改善预测性能.
• 这个模型可以帮助外科医生做出更明智的PTC治疗决策,从而减少不必要的干预.