应用多模式整合来开发边缘性和恶性卵巢瘤的术前诊断模型

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:

• 精确的手术前诊断恶性卵巢瘤 (MOT) 与边缘性卵巢瘤 (BOT) 是具有挑战性的,但由于不同的治疗和预后,至关重要.
• 提高卵巢瘤的诊断准确度对于最佳的患者管理至关重要.

研究的目的:

• 开发和验证整合机器学习 (ML) 和深度学习 (DL) 模型的人工智能 (AI) 系统,以区分MOT和BOT.
• 评估结合血液检测和磁共振成像 (MRI) 数据的多式人工智能模型的诊断性能.

主要方法:

• 使用血液测试数据开发了一个ML分类模型,使用78名MOT和31名BOT患者的MRI发现开发了一个DL模型.
• 创建了三种融合模型 (中间,晚期,密集),将ML和DL输出集成为多式联络诊断AI.
• 使用精度,回忆和准确度评估模型性能,比较多式联络AI与独立模型.

主要成果:

• 独立的ML模型实现了0.825的精度,独立的DL模型实现了0.722.2的精度.
• 多式融合模型的准确度为0.809 (中等),0.776 (晚期) 和0.825 (密度).
• 密集聚变模型实现了最高的精度,与独立的ML模型相美,这表明了整合多式联络数据的好处.

结论:

• 整合多式联络信息,包括血液检测和成像数据,可以提高AI学习效率.
• 多式人工智能方法显示了改善手术前诊断准确度的潜力,可以区分恶性和边缘性卵巢瘤.
• 需要进一步验证,但这种人工智能系统为妇科瘤诊断提供了有前途的工具.