[研究一种基于深度学习的模型,用于预测甲状腺和乳腺结节的泛内分泌系统恶性瘤风险]

科学领域:

• 人工智能的人工智能
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 准确预测甲状腺和乳腺结节的恶性瘤风险,对于及时诊断和治疗至关重要.
• 当前的人工智能模型通常集中在单个器官上,限制了它们对各种内分泌结节数据集的适用性.

研究的目的:

• 开发和验证一个统一的,跨器官的人工智能 (AI) 模型,用于预测甲状腺和乳腺结节的恶性瘤风险.
• 利用多任务深度学习 (DL) 来提高不同内分泌结节类型的诊断性能.

主要方法:

• 基于变压器架构的多任务深度学习模型是使用2386个甲状腺和2753个乳腺结节的临床数据构建的.
• 该模型包含特征共享和器官特定层,通过五倍交叉验证和独立的外部验证集 (n=835) 进行评估.
• 使用SHAP分析来解释AI模型的决策过程,并确定关键的预测特征.

主要成果:

• 人工智能模型对甲状腺结节 (AUC=0.932) 和乳腺结节 (AUC=0.917) 显示出高性能,具有出色的灵敏度和特异性.
• 跨器官模型在小数据集上表现优于单个器官模型,并在外部验证中保持稳定性 (AUC>0.90).
• SHAP分析发现了共同的重要特征 (例如,边缘不规则,化) 和器官特征 (例如,血流信号).

结论:

• 成功开发了一种高性能,跨器官的人工智能模型,用于预测甲状腺和乳腺结节中的恶性瘤风险.
• 这种统一的深度学习架构为人工智能辅助的内分泌瘤诊断提供了一个新的范式,使得精确的风险分层成为可能.
• 这些发现突显了多任务学习在提高瘤学诊断准确性和效率方面的潜力.