一个深度学习模型用于检测胆管转移,并从超宽场 fundus成像预测初级瘤的深度学习模型
Hyo Jin Seong1, Choonghan Kim2, Jinho Chang2
1Department of Ophthalmology, Institute of Vision Research, Severance Hospital, Yonsei University College of Medicine, 50-1, Yonseiro, Seodaemun-gu, Seoul, Republic of Korea.
概括
一个新的深度学习模型准确地检测胆管转移,并从超宽场 fundus 照片中预测初级癌症部位. 这种AI工具有助于癌症诊断和评估的临床决策.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 检测冠状腺转移对于癌症分期至关重要.
- 超广场底部摄影 (UWFP) 提供了视网膜的广泛视图.
- 从眼部发现中预测原发性癌症部位可以提高诊断效率.
研究的目的:
- 开发和验证一种深度学习模型,用于检测胆道转移.
- 用UWFP图像预测原发性癌症的部位.
- 为了评估模型的表现与人类专家对比.
主要方法:
- 回顾性队列研究使用719张UWFP胸腔转移图像和288张正常图像.
- 开发了一个视觉转换器模型,具有转移学习和图像增强.
- 使用AUROC评估模型性能,精度,灵敏度和特异性;进行交叉验证和消去研究.
主要成果:
- 深度学习模型在胆管转移检测方面实现了0.96的AUROC,超过了眼科医生 (AUROC 0.69).
- 纳入患者人口统计数据改善了原发性癌症的预测 (肺部AUROC0.87,乳腺AUROC0.96).
- 剥离研究证实了 fundus 图像特征是分类准确性的关键驱动因素.
结论:
- 人工智能模型显示,从UWFP图像中检测胆管转移并预测原发性癌症的起源具有很高的潜力.
- 这项技术可以作为一种有价值的临床决策支持工具.
- 它可以指导更有针对性的系统性评估,特别是对于未知的原发性癌症患者.
