一个临床灵感的深度学习框架用于喉癌检测和恶性转变风险评估
Yifan Kang1, Binbin Hu2, Kai Xu1
1Department of Otolaryngology Head and Neck Surgery, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, China.
概括
一个新的深度学习模型,TransCL,可以从喉镜图像中准确检测喉癌 (LCA). 这种人工智能工具的性能与经验丰富的临床医生相美,改善了头癌的诊断一致性.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 喉癌 (LCA) 是一种常见的头恶性瘤.
- 诊断依赖于喉镜解释,这是主观的,并随经验而变化.
- 诊断的可变性是一个重要的问题,特别是在资源有限的环境中.
研究的目的:
- 开发一个深度学习模型 (TransCL) 来增强喉病变检测.
- 为了提高喉癌诊断的准确性和一致性.
- 引导活检程序,并简化诊断工作流程.
主要方法:
- 一项回顾性研究使用了分类网络 (TransCL).
- 一个数据集包括来自2585名患有10种不同的喉病变的2585名患者的16587张喉镜图像.
- TransCL被开发,在内部和外部验证,在未见的病变类型上进行测试,并与专家注释和喉科医生诊断进行比较.
主要成果:
- 在内部验证中,TransCL实现了高性能指标:AUC为0.978,准确度为0.942,F1得分为0.961,MCC为0.843.
- 该模型对未见的病变类型进行了强有力的概括,并准确地预测了良性病变中的恶性转变风险.
- TransCL的诊断性能与经验丰富的喉科医生相美,表现优于初级和几位高级临床医生.
结论:
- 在喉癌检测和风险评估中,TransCL具有很高的稳定性,准确性和通用性.
- 深度学习模型的性能与经验丰富的临床医生相美.
- 在改善喉癌诊断方面,TransCL具有显著的临床应用潜力.
