基于超声波图像的深度学习模型的开发和验证,用于基于超声波图像的良性和恶性缩宫淋巴结的定性分类
Hong Yuan1, Juan Ruan1, Wen Wen1
1Department of Ultrasound, West China Hospital, Sichuan University, Chengdu, China.
Gland surgery
|October 27, 2025
概括
使用超声波图像的深度学习模型显示出诊断宫淋巴结 (CLN) 的前景. 这种人工智能方法提高了准确性,可能减少了侵入性活检的需要,并优化了患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 宫淋巴结 (CLN) 的扩大是疾病的常见指标.
- 组织病理学是CLN诊断的黄金标准,但具有侵入性.
- 目前的超声波是非侵入性的,但取决于操作者,影响诊断的准确性.
研究的目的:
- 调查超声波图像特征,以区分良性和恶性CLNs.
- 开发和评估深度学习 (DL) 模型,用于定性CLN诊断.
- 为了提高手术前超声波评估的准确性,为CLNs.
主要方法:
- 从2,697名确诊患者中对3,014名CLN进行了回顾性分析.
- 超声波特征被记录下来,并分析出诊断价值.
- 开发了深度学习模型 (VGG16,ResNet101,ResNet50) 并使用ROC曲线和其他指标评估性能.
主要成果:
- 深度学习模型表现出令人满意的性能,AUC从0.56到0.81.8不等.
- 在VGG16模型中,AUC最高为0.81 (95%CI:0.77-0.86),准确度为0.73,灵敏度为0.71,特异性为0.74.
- 与标准超声波相比,DL模型的预测性能明显优于标准超声波 (P<0.05).
结论:
- 使用超声波图像的深度学习模型显示了对定性CLN诊断的巨大潜力.
- 这种人工智能驱动的方法可以提高术前超声波的准确性.
- 这些发现表明,DL模型可能有助于减少不必要的活检,并优化对CLN评估的临床决策.
