一个多式融合模型用于骨瘤良性和恶性诊断:开发和验证与临床文本和X射线图
Ju Zeng1, Qiuchi Chen2, Tao Zhang1
1Department of Medical Imaging, Sichuan Orthopedics Hospital, Chengdu, China.
Translational cancer research
|March 12, 2026
概括
结合深度学习和Dempster-Shafer (DS) 证据理论的新多式模式准确地区分了骨瘤. 这种先进的诊断工具整合了临床文本和放射图,优于单一数据方法,用于改进骨瘤分类.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 骨瘤的手术前分化 (良性,中级,恶性) 由于其多种特征而具有挑战性.
- 使用医疗记录或X射线的单模诊断方法往往导致误诊.
- 准确的骨瘤手术前诊断至关重要,因为仅在手术后才可以进行组织病理学.
研究的目的:
- 开发和验证骨瘤的多式诊断模型.
- 将深度学习与Dempster-Shafer (DS) 证据理论相结合,以提高诊断准确度.
- 用临床文本和放射图来区分良性和中间/恶性骨瘤.
主要方法:
- 一项对319名骨瘤患者 (2020-2025) 进行的回顾性研究,确认了他的病理学.
- 开发一个融合模型,结合深度学习和DS证据理论,使用X射线图像和医疗记录文本.
- 使用接收机操作特征 (ROC) 曲线,准确性,精度,回忆和内部和外部验证集的F1分数进行性能评估.
主要成果:
- 融合模型在内部验证集上获得了0.821的AUC,超过单模文本 (AUC 0.814) 和图像 (AUC 0.782) 模型.
- 在外部验证组中,融合模型表现出强的性能,AUC为0.808,F1得分为70.6%.
- 该模型的诊断性能与高级放射科医生相美,并且明显优于初级放射科医生.
结论:
- 一个经过验证的综合深度学习和DS证据理论的多式融合模型显示了骨瘤诊断的前景.
- 开发的模型显著优于单模方法和基线融合模型.
- 这种方法提供了一个精确的手术前诊断工具,有可能改善骨瘤患者的治疗.
更多相关视频
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
15.0K
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.8K
