使用基于超声波动态视频的深度学习来预测化甲状腺结节的恶性病变
Tingting Qian1,2, Yahan Zhou1,3,4, Sohaib Asif5
1Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Hangzhou Institute of Medicine (HIM), Zhejiang Cancer Hospital, Chinese Academy of Sciences, Hangzhou, 310022, China.
概括
使用动态超声波视频的新型深度学习模型通过专注于化,准确检测恶性甲状腺结节. 这种可解释的工具有助于早期状甲状腺癌 (PTC) 诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 化,特别是微化,是恶性瘤风险的关键指标,与乳头甲状腺癌 (PTC) 有关.
- 目前的超声波 (US) 图像处理难以检测微妙的化,导致延迟PTC治疗或不必要的程序.
研究的目的:
- 开发一个深度学习 (DL) 模型,以使用动态超声波视频来优化化检测.
- 提高诊断化甲状腺结节的准确性和解释性,以确定恶性病变.
主要方法:
- 追溯收集了来自六家医院的1,257名患者的2,319个动态超声波视频.
- 开发一个3D InceptionResNetV2 DL模型,配有化注意模块,以提高微化灵敏度.
- 模型性能与静态2D超声波图像和初级和高级放射科医生的诊断进行比较.
主要成果:
- 优化的3D DL模型在外部测试套件上实现了0.916的AUROC,0.860的灵敏度和0.834的特异性.
- 该模型显著优于放射科医生 (AUROC 0.916 与 0.638) 并提高了他们的诊断准确性.
- 来自3D Grad-CAM的可解释热图证实了该模型对化区域的关注,与临床逻辑保持一致.
结论:
- 在动态超声波视频上训练的化优化的DL模型可以有效地预测化甲状腺结节的恶性瘤.
- 这种可解释,非侵入性的工具显示了早期PTC检测的潜力,改善了诊断和治疗规划.
