整体机器学习模型是可靠的方法来检测甲状腺软骨的新生菌透在喉癌?

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 喉癌可能涉及甲状腺软骨,影响预后和治疗.
• 准确检测软骨侵袭对于有效管理至关重要.

研究的目的:

• 开发和评估一个整体机器学习模型,用于诊断甲状腺软骨侵袭在CT图像的喉癌.
• 评估这个AI模型的诊断性能.

主要方法:

• 结合ResNet50和MobileNet深度学习架构的组合模型被训练在来自313名患者的1251个CT片上.
• 患者被分为有软骨侵袭和没有软骨侵袭的组,根据组织病理学的基础真理.
• 该模型被测试了其检测瘤透的能力.

主要成果:

• 整体模型实现了曲线下的面积 (AUC) 为0.99.
• 该模型在检测甲状腺软骨侵袭时表现出96.54%的高诊断准确度.
• 结果表明,在识别软骨侵袭方面,其性能水平非常高.

结论:

• 整体机器学习模型对于检测甲状腺软骨的瘤透是有效的.
• 这种人工智能工具可以帮助临床医生评估喉癌的预后和确定治疗策略.
• 该模型有可能被整合到喉科和头手术的临床实践中.