在使用超声波图像和深 convolutional 神经网络的鲁-106 斑块支架疗法后,对 uveal 黑色素瘤反应模式的自动分类

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 卵巢黑色素瘤 (UM) 治疗反应通过瘤厚度模式 (回归,复发,稳定) 进行评估.
• 鲁-106支臂疗法是UM的常见治疗方法.
• 准确预测治疗反应对于患者管理至关重要.

研究的目的:

• 应用深度学习 (DL) 模型来预测UM患者的胸膜治疗后瘤反应模式.
• 评估DenseNet121和ResNet34模型在UM响应模式分类中的性能.

主要方法:

• 研究了一组由192名UM患者组成的队列,这些患者接受了鲁-106支臂疗法治疗.
• 使用DenseNet121和ResNet34DL模型分析了B模式诊断图像.
• 模型性能使用AUC和每个类准确度指标进行评估.

主要成果:

• 丹森网121实现了0.933的宏观平均AUC,超过了ResNet34 (AUC0.916).
• 在所有四个响应类别中,DenseNet121表现出卓越的预测准确性 (p < 0.05).
• 在没有预训练重量的情况下,使用dropout和32个批量大小实现了最佳性能.

结论:

• 深度学习模型,特别是DenseNet121,显示出预测UM瘤响应后的Brachytherapy显著潜力.
• 这些模型可以帮助评估治疗有效性和患者的结果.
• 建议进一步临床验证将DL整合到UM管理中.