基于变压器的超声波放射学用于新的多任务自动细分和分类卵巢瘤
Ahmed Faisal Mutee1, Ali Fawzi Al-Hussainy2, Nathier A Ibrahim3
1College of Pharmacy, Alnoor University, Mosul, Iraq.
Abdominal radiology (New York)
|November 18, 2025
概括
这项研究开发了一个人工智能管道用于卵巢瘤分析,使用变压器模型和放射学. 通过超声波图像,人工智能在分类瘤类型,亚型和阶段方面取得了超过90%的准确性.
科学领域:
- 医疗成像中的人工智能
- 瘤学 诊断 诊断 瘤学
- 医学图像分析 医学图像分析
背景情况:
- 卵巢瘤需要准确和及时的诊断才能得到有效的治疗.
- 超声波图像的自动分析可以提高诊断效率和准确性.
- 基于变压器的模型在医学图像细分和分类方面表现有前途.
研究的目的:
- 开发和评估人工智能驱动的管道,用于在超声波图像中对卵巢瘤进行自动细分和多类分类.
- 为了提高诊断性能,利用先进的变压器模型和放射性分析.
- 评估开发的人工智能管道的概括性和解释性.
主要方法:
- 这是一项多中心的回顾性研究,涉及1907名患者.
- 使用了五种基于变压器的细分模型 (SegFormer,Swin-UNet,DPT,nnU-Net,HRFormer) 并使用DSC,HD和RAVD进行评估.
- 提取了215个放射性特征,应用MI,LASSO和RFE进行选择,并使用TabTransformer,TabNet,MLP,XGBoost和KAN进行分类.
- 通过五倍交叉验证和外部测试验证实模型,并通过SHAP分析进行可解释性.
主要成果:
- SegFormer实现了最高的细分精度 (平均DSC>91%).
- 由MI选择的TabTransformer显示了最高的分类准确度:瘤类型 (92.7%),组织学亚型 (92.1%),FIGO阶段 (92.0%).
- 在所有分类任务中,外部测试准确度超过了90%,在各中心和成像条件中表现一致.
结论:
- 人工智能管道非常准确,可概括和可解释,用于使用超声波自动化卵巢癌诊断.
- 该研究为临床实施和未来的多式联运数据集成提供了一个强大的框架.
- 这种人工智能方法有可能在卵巢癌诊断中显著支持临床决策.
