声带白血病风险分层的双尺度融合视觉变压器模型:一个多中心研究

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 声带白血病 (VCL) 诊断需要准确的风险分层来指导治疗.
• 区分高风险的VCL病变和低风险或恶性病变对临床医生来说是个挑战,特别是那些经验有限的临床医生.
• 现有的诊断方法可能会导致临床决策的显著变化.

研究的目的:

• 开发和验证一个人工智能 (AI) 系统,用于精确的三层风险分层的VCL.
• 为了特别提高高风险的VCL病变 (严重的发育不良和 carcinoma in situ) 的识别.
• 提高不同经验水平的内镜医生之间的诊断准确度.

主要方法:

• 一项回顾性多中心研究分析了来自743名患者的8510张喉镜图像.
• 开发了一个双尺度视觉变换器 (ViT) 架构,具有多尺度特征分析和交叉注意力融合.
• 人工智能模型经过了内部和外部验证,并与12名内镜学家进行了前性读者研究.

主要成果:

• 人工智能系统在高风险VCL识别方面获得了高F1评分 (内部验证0.883,外部验证0.861).
• 人工智能辅助显著提高了初级内镜师的灵敏度 (67.1%至81.4%,P<0.001),减少了诊断差异.
• 该系统在各个机构中显示出强大的通用性 (准确率为90.5%),尽管成像协议异质.

结论:

• 人工智能框架为可靠的VCL风险分层提供了临床有效的解决方案.
• 人工智能系统减少了临床医生之间的诊断变异性,标准化了VCL评估.
• 这种双级ViT方法代表了喉镜诊断的新范式,特别有利于资源有限的环境.