"怀长期主义,聊医工科技"
不错过医工超人文章三部曲:1. 关注公众号 2. 经常点击“在看” 3. 点击公众号右上方设置“星标” 每篇文章都会按时推送不错过
今天的文章中,超哥为大家介绍了一种卷积神经网络(CNN)深度学习模型,目的是提高内窥直肠超声(EAUS)在直肠癌检测中的准确性。考虑到传统方法在非专业医疗中心面临的挑战,特别是由于操作者经验差异导致的诊断准确性下降,这个研究通过深度学习技术,尝试克服这一限制。这一突破性研究不仅提高了直肠癌的早期检测率,也为未来在类似领域应用深度学习技术开辟了新道路。 |
引言
直肠癌的诊断和治疗依赖于精确的医学成像技术,内窥直肠超声(EAUS)作为一种高准确度的评估手段,在大型医疗中心得到了广泛应用。然而,在非专业中心,由于检查者经验的不同,EAUS的准确性可能会下降。这突显了采用人工智能(AI)系统提高非专业中心准确性的需求。本研究旨在开发并验证深度学习(DL)模型,用于区分标准EAUS图像中的直肠癌。
方法
本研究采用迁移学习方法,并对DL架构进行了微调,使用了294张图像的数据集。通过十折交叉验证评估DL模型的性能。
内窥直肠超声:通过统一的超声设备进行所有检查,由两位经验丰富的检查者使用相同技术执行。
人工智能的通用方法:在图像提取后,将所有图像按是否显示出癌症进行分类,并进行匿名处理以提高图像质量。
图像预处理:对每张图像应用多种预处理操作,以提高后续分析的准确性。
DL模型:考虑到CNN架构在学习过程中对标记图像的大量需求,采用了预训练的SOTA模型进行特征提取和微调。
该研究中使用的CNN(卷积神经网络)模型架构
结果
DL诊断模型在诊断直肠癌方面展示了0.78的敏感性和准确性。自动诊断平台在诊断直肠癌的性能上达到了0.85的曲线下面积(AUC)。
模型比较:在评估的模型中,EfficientNet模型在检测直肠肿瘤方面表现出最佳的敏感性、特异性和准确性。
性能分析:使用接收者操作特性(ROC)曲线分析模型在所有分类阈值下的性能。
使用不同不同模型获得的分类性能
讨论
本研究证明了使用CNN深度学习模型检测EAUS图像中的直肠癌的可行性。DL模型在胃肠病学中的应用表明,尽管有数据集的限制,但仍能达到可持续的准确性,这为非专业医疗人员使用EAUS提供了可能性,也为缺乏EAUS经验的检查者提供了决策支持。研究的局限性在于样本量较小和图像数据集较限,未来的工作将致力于开发用于直肠癌分期的类似AI系统。
一种基于对称串联卷积神经网络的超分辨率超声成像方案
结论
本研究展示了DL模型在提高非专业医疗中心EAUS检测直肠癌准确性方面的潜力,达到了较高的敏感性和准确性。这强调了将AI支持纳入非专业医疗中心的重要性,以改善诊断结果。未来研究需进一步验证这些结果,并开发用于直肠癌分期的AI软件。
参考文献
Yusoff, F. M., Kajikawa, M., Yamaji, T., Kishimoto, S., Maruhashi, T., Nakashima, A., Tsuji, T., & Higashi, Y. (2024). Low‑intensity pulsed ultrasound improves symptoms in patients with Buerger disease: a double‑blinded, randomized, and placebo‑controlled study. Scientific Reports, 14, 13704. https://doi.org/10.1038/s41598-024-64118-0
"怀长期主义,聊医工科技"
我是超哥,超声行业17年老伙计,做过研发,搞过生产,趟过市场,开过(在开)公司;越野跑爱好者;工作狂;沟通粗暴直接;严苛完美主义者;起伏皆为过往;信奉长期主义和第一性原则;欢迎来聊来组局...
*医工超人·招聘求职群:定期发布超声招聘,求职信息
*免责声明*
本公众号注明原创的内容权利属于本服务或本服务权利人所有,未经本服务或本服务权利人授权,任何人不得擅自使用(包括但不限于复制、传播、展示、镜像、上载、下载、转载、摘编等)或许可他人使用上述知识产权的。已经本服务或本服务权利人授权使用作品的,应在授权范围内使用,并注明作者来源。否则,将依法追究其法律责任。