甲状腺结节的细胞学分类诊断通过多式模式深度学习

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 甲状腺结节的患病率上升使细胞病理学资源受到压力,导致过度诊断和过度治疗.
• 现有的诊断方法在甲状腺细针吸收 (TFNA) 的准确性和效率方面面临挑战.

研究的目的:

• 开发和验证人工智能平台AI-TFNA,用于增强甲状腺结节诊断.
• 为了提高诊断准确性,临床效率和在各种医疗保健环境中的通用性.

主要方法:

• 在中国三家医院的4421个TFNA样本上训练了AI-TFNA,来自七个医疗中心的数据 (共20803个样本).
• 使用内部和外部队列 (2,153个样本) 验证了AI-TFNA性能.
• 集成的BRAF突变数据和图像外观迁移 (IAM) 为多式模式.

主要成果:

• 内部验证显示高精度 (TBS I: 93.27%),灵敏度 (TBS V: 85.37%,TBS VI: 83.78%) 和特异性 (TBS II: 97.13%).
• 外部验证证实了强大的通用性.
• IAM提高了AI-TFNA灵敏度1.90%,特异性提高了8.12%.

结论:

• AI-TFNA为甲状腺结节诊断提供快速,可靠的决策支持.
• 人工智能平台显示出强大的潜力,可以推进甲状腺结节的诊断,减少过度治疗,并改善患者的治疗结果.