基于超声波图像的深度学习放射学模型预测了子宫内膜癌的肌肉透
Guo Yuanyuan1, Chen Jiao1, Luo Yuqun1
1Department of Ultrasound, Affiliated Hospital of North Sichuan Medical College, Nanchong, Sichuan, China.
Journal of clinical ultrasound : JCU
|November 14, 2025
概括
一个新的深度学习放射学 (DLR) 模型使用超声波准确区分子宫内膜癌 (EC) 中的肌肉膜透. 这种非侵入性方法有助于为EC患者制定治疗计划.
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:
- 子宫内膜癌 (EC) 诊断需要对子宫内膜透 (MI) 的准确评估.
- 目前评估MI的方法可能具有侵入性或缺乏精度.
- 非侵入性成像技术对于改善EC患者管理至关重要.
研究的目的:
- 开发和验证一个深度学习放射学 (DLR) 模型,用于EC的非侵入性MI评估.
- 用超声波图像来评估DLR模型的诊断性能.
- 将DLR模型的有效性与传统的放射学和深度学习模型进行比较.
主要方法:
- 从两个中心收集了390名EC患者的超声波图像.
- 从超声数据中提取深度学习 (DL) 和放射学特征.
- 通过使用ROC分析,校准和决策曲线分析进行维度缩小和验证来开发DLR模型.
主要成果:
- 与放射学和DL模型单独相比,DLR模型在解释MI方面表现优越.
- DLR模型的性能超过了经验丰富的超声波医生的诊断能力.
- 验证和外部测试证实了该模型的强大的诊断准确性.
结论:
- 开发的DLR模型提供了一种准确而非侵入性的方法,用于区分心脏病患者的MI深度.
- 这种人工智能驱动的方法可以显著帮助临床医生制定最佳治疗策略.
- 基于超声波的DLR有望提高EC管理中的精确瘤学.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
