基于深度学习的甲状腺疾病的多类分类,基于使用修改后的DenseNet-201的Tc-99m光谱

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 甲状腺功能障碍对健康构成重大风险,需要准确及时诊断.
• 早期发现甲状腺疾病对于有效的患者康复和管理至关重要.
• 当前的诊断方法可以通过技术整合来提高准确性和效率.

研究的目的:

• 开发一种自动化系统,以协助医生临床诊断甲状腺疾病.
• 利用深度学习,特别是DenseNet-201模型,来分类各种甲状腺疾病.
• 通过人工智能驱动的方法提高甲状腺疾病诊断的准确性和效率.

主要方法:

• 使用了DenseNet-201深度神经网络模型,具有转移学习能力.
• 修改了DenseNet-201的完全连接和分类层,以进行特定的甲状腺状况分类.
• 在七个类别中训练和评估模型:冷结节,热结节,多结节,结节,甲状腺炎,有毒扩散和正常甲状腺状况.

主要成果:

• 实现了高性能指标,包括91.48%的精度,98.58%的特异性,91.57%的精度,91.48%的灵敏度和0.988的曲线下面面积 (AUC).
• 卡帕系数,衡量与专家诊断的一致性,为0.9148,表明强烈的一致性.
• 在关键诊断指标上,与当代方法相比,表现优越.

结论:

• 开发的自动化系统显示出在甲状腺疾病诊断中临床应用的巨大潜力.
• 人工智能模型通过提供各种甲状腺疾病的准确分类,有效地协助医生.
• 高准确度和与专家诊断的强烈一致性表明,该系统可以改善患者护理和结果.