相关实验视频
Updated: Jan 13, 2026
10:02
High-frequency Ultrasound Imaging of Mouse Cervical Lymph Nodes
Published on: July 25, 2015
19.6K
改善淋巴结诊断:将深度学习与内镜超声波相结合:中国的一项回顾性研究
Zijun Fan1,2, Zhenyun Gong1, Run Bao1
1Department of Gastroenterology, Second Affiliated Hospital of Soochow University, Suzhou, China.
Clinical endoscopy
|October 28, 2025
概括
机器学习 (ML) 模型可以通过使用内镜超声波 (EUS) 图像来改善中和腹内淋巴结 (LNs) 的诊断. 将ML与专家分析和后勤回归相结合,可以提高LNs的诊断准确性.
科学领域:
- 胃肠病学和医学成像学
- 人工智能在医学中的应用
- 瘤学 诊断 诊断 瘤学
背景情况:
- 淋巴腺病的诊断,特别是在中枢和腹腔淋巴结 (LNs) 中,仍然具有挑战性.
- 内镜超声波 (EUS) 有助于检测LN,但其诊断准确性是可变的.
- 机器学习 (ML) 提供了改善基于EUS的LN评估和降低医疗保健成本的潜力.
研究的目的:
- 开发和评估一种ML模型,用于使用胃肠道EUS图像对中和腹内LNs进行分类.
- 将ML模型的诊断性能与人类专家和实习医生的诊断性能进行比较.
- 为了研究ML,专家输入和后勤回归的综合诊断产量.
主要方法:
- 使用U-Net对LNs的EUS图像进行了细分,并使用深度学习架构与k-nearest-neighbor结合进行分类.
- 医生组 (专家和实习生) 从验证数据集中诊断LNs.
- 开发了一种后勤回归模型,并将诊断产量与各种方法进行了比较.
主要成果:
- 通过ResNet-50,物流回归和专家输入的组合,获得了最高的F1得分 (0.89) 和100%的灵敏度.
- 这种综合方法在诊断准确性方面显著优于专家和实习生组 (曲线下的区域,p<0.01).
结论:
- ML模型有效地帮助从EUS图像预测中和腹腔内的LNs.
- 将ML与专家临床判断和后勤回归模型集成,优化了LNs的诊断性能.
