社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Lancet子刊(IF=37)| 华中科技大学高庆蕾团队基于深度学习的盆腔超声图像,可用于卵巢癌的辅助诊断

iNature • 2 年前 • 391 次点击  


iNature


超声检查是卵巢癌术前诊断的一项重要的非侵入性检查。深度学习在图像识别任务方面取得了进展;因此,研究者的目标是开发一种深度卷积神经网络(DCNN)模型,该模型可以自动评估超声图像,并比现有方法更准确地诊断卵巢癌。

2022年3月,华中科技大学高庆蕾团队在Lancet Digital Health (IF=37)在线发表题为“Deep learning-enabled pelvic ultrasound images for accurate diagnosis of ovarian cancer in China: a retrospective, multicentre, diagnostic study” 的研究论文,在这项回顾性、多中心、诊断性研究中,研究者收集了2003年9月至2019年5月期间中国10家医院的盆腔超声图像。为了开发DCNN模型,患者被分配到训练数据集(3755例卵巢癌患者的34488张照片,101777例对照组的541442张照片)。为了进行模型验证,将患者分配到内部验证数据集(266例卵巢癌患者3031张照片,602例附件良性病变5385张照片)、外部验证数据集1(67例卵巢癌患者486张照片,268例附件良性病变933张照片)和外部验证数据集2(166例卵巢癌患者1253张照片,723例附件良性病变5257张照片)。利用这些数据集,研究者评估了DCNN的诊断价值,并将DCNN与35名放射科医生进行比较,探讨DCNN是否可以提高6名放射科医生的诊断准确性。

对于DCNN检测卵巢癌,内部数据集的AUC为0.911 (95% CI 0.886 - 0.936),外部验证数据集1的AUC为0.870 (95% CI 0.822 - 0.918),外部验证数据集2的AUC为0.831 (95% CI 0.793 - 0.869)。在内部数据集和外部验证数据集中,DCNN模型在检测卵巢癌方面比放射科医生更准确。DCNN辅助诊断的准确性和敏感性高于放射科医生单独评估。总之,该研究表明DCNN模型在基于图像识别的卵巢癌诊断中具有良好的性能。DCNN模型可以在专家负荷过大的城市和医疗资源稀缺的偏远地区实施。这种应用程序可以利用其自动化特性简化工作流程,并提供专家级别的诊断性能,而不受地理障碍的影响。

卵巢癌发生于骨盆深处的卵巢组织,患者的5年相对生存率为29%,而局部病变患者的5年相对生存率为92%。迄今为止,没有一种筛查方法被证明是有效的。在盆腔检查时触诊附件肿块,并在影像学上偶然发现肿块,通常可作为卵巢癌的诊断评估依据超声检查是诊断微小附件肿物最有效的无创诊断方法,因为它便宜、无害、容易获得。然而,据估计,全球每年有超过200万女性对可疑肿块进行探查性手术,导致近30万女性被新诊断为卵巢癌。
尽管基于超声的模型在区分卵巢癌和其良性模仿者方面具有令人信服的能力,但卵巢癌术前准确诊断的承诺尚未完全实现。此外,肿瘤从早期发展到晚期需要0.8年的时间,这为早期疾病检测留下了4.3年的潜在窗口期。然而,开发一个足够准确的测试来利用这个机会是一个巨大的挑战,现有的侦探方法人工智能,尤其是深度学习,在图像识别领域取得了长足的进步。
深度学习算法在利用眼底照片检测糖尿病视网膜病变和眼部相关疾病方面表现出了比专家更好的能力。深度卷积神经网络(DCNN)模型是深度学习方法的一个分支,它实现了准确的皮肤科医生级别的皮肤癌诊断分类,并改善了超声图像对甲状腺癌的诊断特异性。然而,据研究者所知,基于大数据集并经过独立外部验证的深度学习算法在超声诊断卵巢癌方面仍然很少见。
研究流程图(图源自Lancet Digital Health
在这项回顾性、多中心、诊断性研究中,研究者收集了2003年9月至2019年5月期间中国10家医院的盆腔超声图像。为了开发DCNN模型,患者被分配到训练数据集(3755例卵巢癌患者的34488张照片,101777例对照组的541442张照片)。为了进行模型验证,将患者分配到内部验证数据集(266例卵巢癌患者3031张照片,602例附件良性病变5385张照片)、外部验证数据集1(67例卵巢癌患者486张照片,268例附件良性病变933张照片)和外部验证数据集2(166例卵巢癌患者1253张照片,723例附件良性病变5257张照片)。利用这些数据集,研究者评估了DCNN的诊断价值,并将DCNN与35名放射科医生进行比较,探讨DCNN是否可以提高6名放射科医生的诊断准确性。
对于DCNN检测卵巢癌,内部数据集的AUC为0.911 (95% CI 0.886 - 0.936),外部验证数据集1的AUC为0.870 (95% CI 0.822 - 0.918),外部验证数据集2的AUC为0.831 (95% CI 0.793 - 0.869)。在内部数据集和外部验证数据集中,DCNN模型在检测卵巢癌方面比放射科医生更准确。DCNN辅助诊断的准确性和敏感性高于放射科医生单独评估。
总之,研究者的研究表明,DCNN模型在基于图像识别的卵巢癌诊断中具有良好的性能。DCNN模型可以在专家负荷过大的城市和医疗资源稀缺的偏远地区实施。这种应用程序可以利用其自动化特性简化工作流程,并提供专家级别的诊断性能,而不受地理障碍的影响。

参考消息:
https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00278-8/fulltext

END

内容为【iNature】公众号原创,

转载请写明来源于【iNature】

微信加群


iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群(16个PI群及64个博士群),同时更具专业专门组建了相关专业群(植物,免疫,细胞,微生物,基因编辑,神经,化学,物理,心血管,肿瘤等群)。温馨提示:进群请备注一下(格式如学校+专业+姓名,如果是PI/教授,请注明是PI/教授,否则就直接默认为在读博士,谢谢)。可以先加小编微信号(iNature5),或者是长按二维码,添加小编,之后再进相关的群,非诚勿扰。


投稿、合作、转载授权事宜
请联系微信ID:13701829856 或邮箱:iNature2020@163.com

觉得本文好看,请点这里!
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147073
 
391 次点击