先进的AI驱动系统,用于全面检测甲状腺癌和恶性瘤风险评估

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 生物信息学是一种生物信息学.

背景情况:

• 在全球范围内,甲状腺癌的发病率正在增加.
• 准确的诊断至关重要,以避免不必要的手术干预.
• 计算机辅助诊断 (CAD) 系统提供了提高准确性的潜力.

研究的目的:

• 为全面的甲状腺癌诊断引入一种新的混合CAD系统.
• 结合卷积神经网络 (CNN) 用于图像分析和分子数据用于风险预测.
• 提高诊断可靠性和支持临床决策.

主要方法:

• 开发了一个由两个模块组成的混合系统:用于超声图像分析的CNN模型和用于恶性瘤风险预测的分子数据分析模块.
• 转移学习和各种图像增强技术用于CNN模块.
• 该系统的诊断性能和准确性在分类甲状腺结节和预测恶性瘤方面得到了评估.

主要成果:

• 在超声波图像中,CNN模块实现了93.65%的准确性,100%的灵敏度和69.23%的特异性,用于从超声波图像中分类甲状腺结节.
• 分子数据分析模块表现出强的性能,平均平方误差 (MSE) 值较低 (训练:4.24 × 10−5,测试:6.31 × 10−3).
• 混合系统为深入的甲状腺癌诊断提供了分离或联合使用.

结论:

• 拟议的混合CAD系统与现有系统相比,显示出具有竞争力的性能.
• 这种人工智能驱动的方法为甲状腺癌管理提供了可靠的诊断见解.
• 该系统支持临床医生做出明智的决策,通过避免不必要的手术来改善患者的治疗结果.