使用基于超声波的深度学习模型,早期预测甲状腺囊侵入的乳头小癌:一项回顾性多中心研究
Lin Sui1,2,3,4, Bojian Feng1,2,3,4, Xiayi Chen1,5
1Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, China.
Insights into imaging
|November 27, 2025
概括
结合放射学和深度学习 (DL) 功能的一种综合模型准确地预测了在乳腺状甲状腺微癌 (PTMC) 中甲状腺囊入侵 (TCI). 该工具提高了放射科医生的表现,有助于早期风险分层和PTMC患者的个性化治疗.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 甲状腺囊侵袭 (TCI) 是乳头甲状腺微癌 (PTMC) 早期进展的关键预测因素.
- 准确的TCI预测对于早期PTMC风险分层和个性化的临床管理至关重要.
- 当前的诊断方法可能会从先进的计算工具中受益,以提高准确性.
研究的目的:
- 开发一个综合模型,用于PTMC中TCI的准确早期预测.
- 将手工制作的周围瘤放射学特征与深度学习 (DL) 衍生的瘤内部特征相结合.
- 评估模型的性能及其作为决策临床辅助工具的潜力.
主要方法:
- 从三个中心对964个PTMC病例进行了回顾性分析.
- 使用SVM提取周围瘤放射学特征并选择最佳区域.
- 选择的放射学特征与瘤内DL特征的整合,使用四种DL模型进行训练和验证 (Swin-Transformer表现出卓越的性能).
主要成果:
- 最优的周围瘤区域 (30%扩张) 产生了放射性特征,其AUC为0.795 (SVM).
- 综合模型,特别是Swin-Transformer,在TCI预测方面实现了高诊断准确度 (内部AUC:0.923;外部AUC:0.892).
- 在所有经验水平上,DL模型辅助显著改善了放射科医生的诊断性能 (例如,高级放射科医生的AUC从0.720提高到0.796).
结论:
- 集成的放射学和DL模型在PTMC中提供了高度准确的TCI识别.
- 该模型作为一种有效的临床辅助工具,增强放射科医生的诊断能力.
- 这些发现支持早期PTMC风险分层和个性化干预策略.
