一个双模态超声视频识别模型,用于区分下肺结节
Yin Wang1,2, Mengjun Shen1,2, Ke Bi1
1Department of Ultrasound, Shanghai Pulmonary Hospital, School of Medicine, Tongji University, Shanghai, China.
Mayo Clinic proceedings. Innovations, quality & outcomes
|October 24, 2025
概括
一个使用双模超声波 (DMUS) 视频识别的新型深度学习模型准确地区分良性和恶性肺下多叶结节 (SPN). 这种人工智能工具提高了诊断性能,为肺结节评估提供了有前途的进步.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 下肺结节 (SPNs) 需要准确区分良性和恶性类型.
- 目前的诊断方法可能在区分SPN恶性瘤方面存在局限性.
- 人工智能和医学成像技术的进步为改善诊断准确性提供了潜力.
研究的目的:
- 开发和评估用于SPN差异诊断的深度学习模型.
- 该模型利用双模式超声波 (DMUS) 视频识别.
- 评估模型的性能与现有方法和放射学家的解释对比.
主要方法:
- 使用DMUS视频,时间强度曲线和临床数据开发了一个深度学习模型.
- 来自193名患有SPN的参与者的数据用于培训和验证.
- 独立的内部和外部测试集 (分别为n=88和n=91) 用于评估.
主要成果:
- 该模型在内部测试中实现了高诊断性能 (AUC 0.91,精度 91%,灵敏度 90%,特异性 91%).
- 在外部测试中,该模型的准确性为89%,灵敏度为84%,特异性为92%.
- 深度学习模型的性能优于最先进的视频模型和放射科医生对超声波和CT扫描的解释.
结论:
- 基于DMUS视频识别的深度学习模型显著提高了超声波在区分良性和恶性SPN的能力.
- 与当前的诊断方法相比,开发的AI模型显示出更高的性能.
- 这项技术代表了肺结节的非侵入性诊断的重大进步.
