从多模式数据到临床洞察力:一种可解释的模型,用于手术前的唾液腺损伤诊断
Jing Feng1, Yuqi Yan2, Jia Li1
1Department of Ultrasound, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Oral diseases
|March 12, 2026
概括
一个新的AI模型SVM-DualNet准确地分类了手术前的唾液腺病变. 这种工具通过提高诊断准确度来帮助临床医生做出决策,特别是对于初级放射科医生来说.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 唾液腺病变 (SGLs) 需要准确的手术前分类,以便有效的治疗计划.
- 在临床上,区分恶性,良性和特定良性类型 (如多形腺瘤) 是非常重要的.
研究的目的:
- 开发和验证一个多式双步支向量机器模型 (SVM-DualNet) 用于三类SGL的手术前分类.
- 通过提供可靠的手术前诊断信息,增强临床决策.
主要方法:
- 对284名患者的临床,超声波 (CUS),剪切波弹性图形 (SWE) 和放射学特征进行了回顾性分析.
- 开发顺序二进制支向量机 (SVM) 模型,将其结合到SVM-DualNet.Net中.
- 应用夏普利添加式解释 (SHAP) 用于模型解释和整合到诊断辅助.
主要成果:
- 在三类SGL分类中,SVM-DualNet实现了0.76平衡精度和0.82宏F1得分.
- 二元模型显示恶性瘤的AUC为0.90,多形腺瘤的AUC为0.85.
- SHAP辅助的审查显著改善了初级放射科医生的表现,接近高级放射科医生的水平.
结论:
- SVM-DualNet模型提供了可靠的SGLs的操作前分类.
- 人工智能工具可以帮助临床医生做出有关SGL管理的明智决策.


