增强卵巢癌诊断：一种整合超声和临床数据的多模态深度学习方法

卵巢癌（OC）的诊断仍然是一个重大挑战，常常受到超声（US）图像主观解释的阻碍。本研究提出了一种利用多模态深度学习来提高诊断准确性和一致性的新方法。这项研究的基础是对2019年至2024年期间接受术前超声检查和随后附件肿块手术的1899名患者进行的回顾性分析。研究的核心内容是开发和验证一个多模态深度学习模型，该模型将二维灰度超声图像与易于获取的临床数据相结合。

所开发的模型旨在执行两个关键功能：OC诊断和超声形态特征提取。模型性能使用已建立的指标（包括受试者工作特征（ROC）曲线、准确性和F1分数）进行了严格评估。结果表明，与单独使用超声图像相比，诊断性能有了显著提高。具体而言，多模态模型在内部和外部测试集中的曲线下面积（AUC）分别达到0.9393（95% CI 0.9139-0.9648）和0.9317（95% CI 0.9062-0.9573）。这代表了诊断能力的实质性增强。

此外，该研究强调了该模型对放射科医生工作效率的积极影响。将临床数据与超声图像分析相结合，显著提高了放射科医生获得的AUC，并增强了读者间的一致性，解决了当前诊断实践中的一个关键限制。该模型提取超声形态特征的能力也令人印象深刻，在内部和外部测试集中的准确率分别达到86.34%和85.62%。这种强大的性能表明，该模型有可能实现结构化超声报告的自动化生成，从而简化诊断流程。

总之，这项研究证明了多模态深度学习在提高卵巢癌诊断准确性和一致性方面的巨大潜力。通过将图像分析的能力与易于获得的临床信息相结合，这种方法为改善患者预后和提高医疗保健效率提供了一条有前景的途径。该模型有效的特征提取能力进一步表明，其有可能彻底改变与卵巢癌检测相关的超声成像报告流程。

Read the English version (阅读英文版)

免责声明：本文内容来自互联网公开信息，请仔细甄别，如有侵权请联系我们删除。