从超声波扫描中提高甲状腺结节的自动诊断,利用深度学习模型
Aya Rashed1,2, T Medhat3, Ahmed Elgarayhi4
1Applied Mathematical Physics Research Group, Physics Department, Faculty of Science, Mansoura University, Mansoura, 35516, Egypt. aya.rashed1000@gmail.com.
Scientific reports
|November 18, 2025
概括
深度学习模型,特别是ResNet50,在从超声波图像中分类甲状腺结节 (TNs) 中显示出高准确度. 这种人工智能方法可以提高甲状腺癌检测的诊断可靠性.
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:
- 甲状腺结节很常见,超声波是主要的诊断工具.
- 准确的甲状腺结节分类对于检测恶性瘤至关重要.
- 放射科医生的专业知识可以限制甲状腺结节分类的诊断准确性.
研究的目的:
- 评估转移学习卷积神经网络 (CNN) 对分类甲状腺结节 (TNs) 的有效性.
- 为了比较9个不同的预训练CNN模型的TN分类的性能.
- 评估AI在提高甲状腺超声波诊断可靠性的潜力.
主要方法:
- 利用公开可用的,经活检验证的超声数据集,其中包括483张甲状腺结节图像.
- 雇员转移学习与九个预先训练有素的CNN (ResNet50,ResNet101,VGG16,VGG19,DenseNet121,EfficientNetB0,InceptionV3,InceptionResNetV2,Xception) 进行了学习.
- 应用数据增强,类平衡和十倍交叉验证,以提高模型的稳定性和通用性.
主要成果:
- ResNet50实现了最高的性能,准确率为96.90%,AUC为0.97,精度为96.93%,回忆率为96.90%.
- ResNet101和EfficientNetB0也表现出强的表现,分别准确率为94.75%和93.09%.
- 数据增强和类平衡策略显著改善了模型概括性,并在所有评估的CNN中减少了类偏差.
结论:
- 转移学习CNN,特别是ResNet50,提供了一种可靠和准确的方法来分类甲状腺结节.
- 由人工智能驱动的决策支持系统有可能提高甲状腺超声波解释的诊断准确性.
- 这项研究证实了深度学习方法在改善潜在恶性甲状腺结节的分类方面的有效性.
