使用Swin变压器深度学习模型预测纯地玻璃结节的病理亚型
Yanhua Wen1, Menna Allah Mahmoud1, Wensheng Wu1
1Department of Medical Imaging, The Fifth Affiliated Hospital of Guangzhou Medical University, Guangzhou, China.
Insights into imaging
|October 17, 2025
概括
使用Swin变压器网络的深度学习模型有效地区分了肺腺癌亚型和纯地玻璃结节 (pGGN). 与放射科医生相比,这种AI工具显示出更高的诊断准确性,有助于早期检测和改善患者预后.
科学领域:
- 肺部医学 肺部医学
- 放射学 放射学是指放射学
- 医疗保健中的人工智能
背景情况:
- 在CT扫描中,纯粉碎玻璃结节 (pGGN) 代表了早期的肺腺癌或癌前病变.
- 准确地确定pGGN的病理亚型对于指导治疗决策和改善患者治疗结果至关重要.
- 目前的诊断方法在区分pGGN的微妙病理差异方面可能是有限的.
研究的目的:
- 评估深度学习多分类模型的诊断性能,用于pGGN的病理亚型.
- 将深度学习模型与放射科医生在分类pGGN亚型中的有效性进行比较.
- 探索深度学习作为pGGN诊断的辅助工具的潜力.
主要方法:
- 追溯分析了590个病理确认的pGGN病例.
- 基于Swin Transformer网络的深度学习模型的开发和培训.
- 使用五重交叉验证策略和独立的外部验证集进行验证.
- 模型性能 (准确度,精度,F1得分) 与放射科医生诊断的比较.
主要成果:
- 深度学习模型在培训 (95.21%) 和测试 (91.41%) 组中实现了高精度,整合精度为94.65%.
- 在外部验证组中,该模型的准确性为91.41%,F1得分为91.42%.
- 深度学习模型的分类效率超过了经验丰富的放射科医生.
结论:
- 深度学习,特别是Swin变压器模型,提供了一种非侵入性的方法来预测pGGN病理亚型.
- 与放射科医生相比,该模型的优越性能表明它可以作为手术前辅助诊断工具.
- 实施这种人工智能工具可以提高pGGN的诊断准确性,从而有可能优化患者的预后.
