用新型深度学习模型智能诊断毛囊癌,甲状腺癌
Size Hou1,2, Yunyun Liu3, Ming Cai4
1Shanghai Key Laboratory of Multidimensional Information Processing, School of Communication & Electronic Engineering, East China Normal University, Shanghai, 200241, China.
Journal of imaging informatics in medicine
|October 31, 2025
概括
这项研究引入了一种新的AI模型,用于从超声波图像中诊断卵泡甲状腺癌 (FTC),专注于瘤边缘. 该模型实现了高精度,改善了甲状腺癌诊断.
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:
- 在手术前区分毛囊性甲状腺癌 (FTC) 和毛囊性腺瘤 (FTA) 是一个挑战.
- 准确的手术前诊断对于有效的甲状腺结节管理至关重要.
研究的目的:
- 开发和验证一种新的,可解释的深度学习 (DL) 模型,以区分FTC和FTA.
- 利用瘤边缘作为人工智能辅助甲状腺癌诊断中的关键诊断特征.
主要方法:
- 开发了一个图形卷积网络 (GCN),从超声波图像补丁中构建图形表示.
- 该模型明确模拟了结构关系,特别是在瘤边界,使用最大代码速率减少 (MCR ^ 2) 损失.
- 来自两个中心的577名患者 (4358张超声波图像) 的数据被用于培训,验证和独立测试.
主要成果:
- 在独立测试组中,DL模型的整体预测准确度为90.13%,在验证数据组中达到92.35%.
- 曲线下的面积 (AUC) 达到82.10% (测试) 和87.36% (验证),超过其他DL基线.
- 该模型显示了诊断性能的显著和一致的改善.
结论:
- 拟议的可解释DL模型在诊断FTC方面表现良好.
- 整合领域知识和多中心验证意味着向可靠的AI辅助甲状腺癌诊断迈出了一步.


