早期融合混合CNN变压器模型用于多类卵巢瘤超声波分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 妇科瘤学 妇科瘤学

背景情况:

• 卵巢癌是最致命的妇科恶性瘤.
• 阴道超声波 (TVS) 是主要的诊断工具,但缺乏特异性,并且取决于操作者.
• 当前的人工智能模型通常只关注准确性,忽视了校准和可解释性等关键方面.

研究的目的:

• 开发和评估一种新的混合人工智能模型,用于使用2D TVS图像对八种卵巢瘤类别进行分类.
• 评估模型的性能超出了简单的准确性,包括校准,不确定性量化和临床实用性.
• 建立一个可复制的框架,用于卵巢超声波诊断中先进的AI.

主要方法:

• 开发了一个混合深度学习模型,将EfficientNet-B7 (本地特征) 和Swin Transformer (全球上下文) 融合在一起.
• 该模型在公开的OTU-2D数据集 (1,469张图像) 上使用患者级,分层的5倍交叉验证进行了训练和验证.
• 包括过量采样,超声感应增强和强有力的规范化在内的技术被用来处理类不平衡并防止数据泄露.

主要成果:

• 混合模型实现了高性能:AUC 0.9904,精度 92.13%,灵敏度 92.38%,特异性 98.90%,超过了基线模型.
• 软套装进一步提高了性能,达到AUC 0.991,精度为93.3%,灵敏度为93.6%,特异性为99.0%.
• 面向部署的评估证明了可靠的概率校准,净临床益处和通过Grad-CAM突出显示临床相关特征.

结论:

• 开发的混合人工智能模型代表了卵巢超声波分析的重大进步,超越了准确性,提供校准,可解释和不确定性意识的决策支持.
• 该模型显示了临床整合的潜力,为多类卵巢超声波诊断提供了可重复的框架.
• 进一步的前性验证是有必要的,以确认临床实用性,并促进更广泛的采用.