1. 首頁 > 生活雜燴 > 健康養生 > >

智能AI——助力甲狀腺結節的精準分類( 二 )


文章圖片
圖1：通過EC框架架構的KDL
數據增強
研究者通過對每個甲狀腺結節應用BPandDWT算法來實現數據增強 ， 一種原始多模態特征融合圖像 ， 則是通過沿通道軸將圖像及其對應的LBD和DWG進行處理而獲得（圖2） 。
智能AI——助力甲狀腺結節的精準分類
文章圖片
圖2：數據增強示例（a）原始超聲圖像,（b）和（c）分別顯示通過LBP和DWT分析的相同結節
定性評估
為了進一步分析總結KDL-EC模型 ， 研究者還使用EGRADcam算法對Aqualitative測試進行了操作 ， 該算法為網絡決策提供了可視化規劃 。 此定性評估的輸入樣本、標記版本以及結果如圖3所示 。
智能AI——助力甲狀腺結節的精準分類
文章圖片
圖3：KDL-EC-7DenseNet的梯度-凸輪定性研究比較: ， 上排為良性結節 ， 中下排為惡性結節
診斷性能
如表1所示 ， KDL-EC模型診斷甲狀腺結節準確度高達95.11% ， 靈敏度高達96.22% ， 特異性為93.09%；提示KDL-EC模型用于甲狀腺結節的診斷是可行的（表1） 。
表1：最先進的方法性能比較
智能AI——助力甲狀腺結節的精準分類
文章圖片
GiorgioGrani博士談到 ， 機器學習尚存一些問題有待未來深入研究 。 在技術方面 ， 不同的設備和探針可能產生不同的數據格式 。 在臨床方面 ， 數據集可能存在不充分或者缺失的情況；有些數據雖然被醫生含蓄地考慮 ， 但并沒有包括在數據集中 ， 這也可能對機器學習模型的性能產生負面影響 。 另一個問題涉及機器學習算法的性質 ， 這些算法通常被稱為“黑匣子” ， 存在虛假相關性的風險 。
最后 ， GiorgioGrani博士總結道 ， 研究表明新開發的KDL-EC模型的性能至少可以與其他目前最先進的方法相媲美 ， 其對甲狀腺結節的良惡性具有良好的識別功能 ， 且無需人工分割或興趣區域選擇 。 未來 ， 還需進行獨立隊列和組織學為金標準的隊列的驗證 ， 并探索其在豐富的髓質和濾泡型甲狀腺癌中的診斷性能 ， 以及嘗試在“特征再融合步驟”中使用彈性圖像、對比度增強超聲和多普勒圖像 。