基于超声的深度学习模型作为辅助工具改善卵巢肿瘤诊断:一项多中心研究
该回顾性多中心研究纳入916例卵巢肿瘤患者,构建基于超声图像的ResNet-50深度学习模型,并对81例外部测试集患者评估。视觉模型联合大语言模型辅助后,5名初级超声医生的测试集准确率从76.62%–79.22%提升至90.90%–95.95%,诊断一致性也提高。
要点
- ResNet-50视觉模型在外部测试集对良性、交界性、恶性肿瘤的准确率分别为91.80%、84.61%、82.60%。
- 视觉模型联合大语言模型辅助后,初级超声医生测试集准确率提升至90.90%–95.95%。
- 视觉模型平均准确率在验证集和测试集分别为85.23%和87.76%,高于ADNEX模型的79.17%和61.22%。
核心结论
- 视觉模型与大语言模型结合的深度学习系统可辅助放射科医生对超声卵巢肿瘤进行分类并提升诊断效能。
- 该模型可辅助初级超声医生术前诊断,可能有助于卵巢肿瘤的早期发现和及时治疗。
- 深度学习模型可将初级超声医生的诊断提升至专家水平,并可能辅助手术决策。
研究设计与样本
- 回顾性研究,纳入916例经手术病理确诊并有术前超声检查的卵巢肿瘤女性,来自中国东南部3家机构(2014年1月至2023年12月)。
- 训练集和验证集来自机构1–3,共1319幅图像来自1011例患者,按4:1随机分为训练集和验证集。
- 外部测试集为来自中国西南和东北2家独立机构的81例患者共98幅图像,按患者层面划分,与训练/验证机构无重叠。
- 以术后病理诊断为参考标准,由病理科按世界卫生组织指南和国际妇产科联盟推荐标准分类为良性、交界性、恶性。
- 视觉模型比较ResNet-50、VGG16和ViT三种骨干架构,最终选用ResNet-50,采用五折交叉验证,外部测试集独立评估。
关键影像表现/征象
- ResNet-50模型在验证集平均总体准确率为85.23%(95%CI:80.44%–89.00%)。
- 验证集良性、交界性、恶性准确率分别为89.47%(95%CI:81.88%–93.93%)、64.61%(95%CI:50.44%–76.57%)、76.92%(95%CI:68.42%–83.79%)。
- 外部测试集良性、交界性、恶性准确率分别为91.80%(95%CI:80.81%–96.78%)、84.61%(95%CI:65.12%–94.42%)、82.60%(95%CI:63.96%–93.17%)。
诊断标准与关键数值
- 视觉模型输出良性、交界性、恶性三类概率作为置信度输入GPT-4o大语言模型,由其生成不含诊断结论的图像描述。
- ADNEX模型验证集和测试集准确率分别为79.17%和61.22%,精确率分别为79.31%和71.69%,召回率分别为79.17%和61.22%,特异度分别为88.5%和81.21%。
- 视觉模型平均准确率在验证集和测试集分别为85.23%和87.76%,高于ADNEX模型的79.17%和61.22%。
- 初级超声医生依据O-RADS风险分层与管理系统判读良恶性,因超声诊断标准不明确,交界性肿瘤未纳入该判读评估。
临床应用与阅片要点
- 初级超声医生在获得视觉模型分类结果和大语言模型图像描述辅助后,验证集和测试集诊断准确率及一致性均提高。
- 作者认为该工作流程未来可能有助于交界性卵巢肿瘤诊断标准的识别与建立。
- 作者指出该模型可辅助初级超声医生术前诊断,并可能辅助手术决策。
局限性
- 由于缺乏交界性卵巢肿瘤的诊断指南,本研究未比较深度学习辅助对交界性病例的性能提升。
- 训练集和验证集按图像随机4:1划分,同一患者的多幅图像可能同时出现在训练集和验证集中。
全文中译15 节 · 点击展开
引言
卵巢肿瘤是女性生殖系统中最常见的肿瘤。根据临床行为是否进展为更严重状态或导致死亡,通常将其分为卵巢良性肿瘤、交界性肿瘤和恶性肿瘤[1]。卵巢良性肿瘤通常无侵袭性,可安排择期手术[2]。卵巢交界性肿瘤(BOT)是指介于良性和恶性类别之间的一种肿瘤类型,其生长缓慢,很少进展为恶性[3]。该病更常见于育龄期女性,因此保留生育功能的手术通常是首选方案[4]。卵巢癌(OC)是女性第八大常见癌症,2020年约占癌症诊断的3.7%和死亡人数的4.7%[5]。大多数OC患者确诊时已处于晚期,常表现为侵犯邻近卵巢结构。此外,70%的患者治疗后复发,生存率低。因此,大多数确诊为OC的患者通常接受根治性手术联合化疗[6]。
超声(US)是卵巢肿瘤早期诊断、术前评估和术后监测的首选影像学方法[7]。与其他影像学方法相比,US具有无辐射、便捷和成本效益高的优势[8, 9]。美国放射学会的指南指出,卵巢-附件报告和数据系统(O-RADS)已广泛用于卵巢肿瘤的US风险分层[10]。此外,国际卵巢肿瘤分析(IOTA)于2014年提出的附件不同肿瘤评估模型(ADNEX)也可协助US医生对卵巢肿瘤进行分类[11]。然而,O-RADS只能提供肿瘤的大致风险范围,而不能对其进行分类。尽管一些研究表明微囊型模式可能是BOT的征象,但US中尚无广泛确认的BOT诊断标准[12]。同样,ADNEX模型需要多种超声特征来计算概率。复杂的评估系统要求医生具备高度的专业性和丰富的临床经验,因为主观因素可能潜在影响评估结果。
深度学习(DL)技术在医学超声分析中具有巨大潜力,旨在自动提取视觉特征并执行模式识别分析,用于分类[13, 14]和分割[15]等任务,从而自动定义图像或目标的属性。近年来,DL模型频繁应用于卵巢肿瘤分析,在区分良恶性病变方面表现出高准确率[16]。然而,DL技术在真正辅助卵巢肿瘤临床决策方面的有效性,特别是在验证缺乏人类经验和标准的卵巢交界性肿瘤(BOTs)方面,受到的关注很少。本研究旨在使用从卵巢肿瘤超声图像中提取特征的模型,以病理诊断为学习标准,对卵巢良性、交界性和恶性肿瘤进行分类。此外,大语言模型(LLMs)是在海量文本语料库上训练的深度神经网络系统,通过Transformer等架构捕捉语言模式,使其能够理解、生成和推理自然语言[17]。我们使用LLMs的交互式文本,通过将视觉模型与LLMs相结合,增强放射科医生对女性卵巢肿瘤性质的决策能力。
材料与方法
研究设计与参与者
本研究经福建医科大学附属第二医院机构审查委员会批准(IRB编号2024323),并豁免书面知情同意。
本研究回顾性纳入2014年1月至2023年12月在福建医科大学附属第二医院(机构1)、泉州市第一医院(机构2)和漳州市医院(机构3)经术后病理确诊并经超声诊断的卵巢肿瘤患者。卵巢肿瘤超声图像通过病历系统获取。排除标准包括:(1)术前3个月内无图像;(2)超声图像质量差;(3)病理结果不明确。测试集图像由成都市第三人民医院(机构4)和大连医科大学附属第一医院(机构5)提供。排除和纳入条件同上。机构1、2、3位于中国东南部。机构4位于中国西南部,机构5位于中国东北部。通过临床系统记录年龄、绝经状态、术前癌抗原125(CA125)和腹水。流程图见图1。
超声检查
超声检查设备包括GE-Voluson E8、GE-Voluson E10、迈瑞Resona I9、迈瑞Resona 7OB、迈瑞Resona 7、飞利浦IU22、飞利浦CX-50和飞利浦A70。腹部探头频率为3.5至6.5 MHZ,经阴道探头频率为3至10 MHZ。收集符合纳入标准的卵巢肿瘤二维超声图像。肿瘤的横切面和纵切面图像均纳入研究。有多个卵巢肿瘤的患者纳入多张图像。双侧病变每侧至少选择一张图像。因此,图像数量超过患者数量,确保全面纳入具有不同图像特征的肿瘤图像。超声图像和临床数据从5家机构的诊断系统中收集,并由一位专家进行审核。
IOTA ADNEX模型的评估
一位妇科超声专家根据IOTA共识[18]对验证集和测试集中的超声图像进行评估。模型纳入的预测变量包括年龄、血清CA125水平、中心类型(肿瘤转诊中心 vs. 非肿瘤中心)、病灶最大直径、实性部分最大直径、囊腔数>10个(是或否)、乳头状突起数量(0、1、2、3或>3)、声影(是或否)以及腹水(是或否)。按照ADNEX公式[19]输入所有预测因子后,获得良性、交界性、I期浸润性、II-IV期浸润性和继发性转移性癌的风险。总恶性风险通过将I期浸润性、II-IV期浸润性和继发性转移性癌的概率相加计算得出。相对风险通过将绝对预测风险除以基线风险计算得出,最高相对风险被确定为卵巢肿瘤类型(良性/交界性/恶性)[20]。随后,计算ADNEX模型的准确率、特异度、灵敏度、阳性预测值和阴性预测值。
深度学习模型的数据
各机构的病理科根据世界卫生组织制定的指南和国际妇产科联盟推荐的标准对肿瘤进行评估和分类[21, 22]。最终病理诊断是判断良性、交界性和恶性肿瘤的参考标准。根据分类结果,卵巢肿瘤图像被分为三类。共有来自中国东南部三家医院的1011例患者的1319张图像用于构建训练集和验证集。超声图像按4:1的比例随机分为训练集和验证集,这意味着同一患者的多张图像可能同时出现在训练集和验证集中。相比之下,外部测试集由来自中国西南部和东北部两家独立医院的81例患者的98张图像组成,按患者层面进行划分,与训练/验证机构或受试者无重叠,从而能够全面评估模型辅助放射科医生决策的有效性。所有超声图像标签均来自病理诊断和标准,确保深度学习模型能够从金标准诊断中学习这些超声数据特征。
基于图像的模型训练
视觉模型旨在利用图像处理方法从医学图像中提取细粒度特征。在本研究中,我们将“视觉模型”称为处理超声(US)图像以提取诊断特征的深度学习(DL)模型,与此相对的是解释或生成基于文本描述的语言模型。这一区分明确了我们深度学习框架中视觉与文本的角色。常见的纹理特征提取器包括卷积神经网络方法和视觉注意力机制。
为了比较不同的基于图像的模型架构,我们实现了三种主干网络:ResNet-50 [23](一种残差卷积神经网络)、VGG-16 [24](一种无残差连接的普通卷积神经网络)和ViT-B [25](一种基于自注意力机制的视觉Transformer)。三种网络架构均使用在ImageNet上预训练的权重进行初始化,以利用迁移学习并提升模型性能。为选择最佳超参数,训练过程中采用贝叶斯推断策略[26]确定参数(学习率范围为 ,正则化系数范围为 ,批量大小{16, 32, 64},训练轮数{50, 100, 150})。视觉模型(ViT-b,基于注意力机制;VGG-16,基于密集卷积网络)用于与ResNet-50 [23]进行比较。
为开发和验证模型,我们在整个内部数据集(来自中国东南部三个中心的1319张图像)上采用了五折交叉验证策略。对于交叉验证的每一折,数据被划分为训练集(4折,约占数据的80%)和验证集(1折,约占20%)。我们在结果部分报告的“验证集”性能指标代表这五个验证折的平均结果,以确保稳健和稳定的评估。最终模型随后在完全独立的外部测试集上进行评估。用于模型训练的所有超声图像均经过匿名化处理并调整大小为512 × 512像素。图像预处理包括使用ImageNet统计量进行通道归一化(均值 = (0.485, 0.456, 0.406);标准差 = (0.229, 0.224, 0.225))。训练时,数据增强策略包括高斯模糊、随机水平翻转和中心裁剪。验证和测试图像未进行增强。所有模型均使用分类交叉熵损失函数进行训练,该函数广泛用于多分类任务。该损失衡量预测概率分布与真实独热编码标签之间的差异。选择该损失是因为其在优化三分类任务(良性、交界性和恶性肿瘤)分类模型中的有效性和稳定性。视觉模型在Python 3.8和torch 1.13平台上开发,使用两块Tesla V100(32 G)GPU加速模型训练。视觉深度学习模型的相关代码可在https://github.com/JsongZhang/DL4OCancerUS_Radiologist获取。
大语言模型在超声图像解读中的应用
语言模型的交互式输出为辅助临床决策提供了比仅依赖视觉模型概率结果更可靠的来源。本研究将上述视觉模型对美国三种不同类型卵巢肿瘤的预测作为语言模型的可信度输入。使用GPT-4o作为文本输出的语言模型。提示词可概括为:“我现在将给你卵巢肿瘤的超声图像。在临床研究中,它们分为三类:良性、交界性和恶性。这张图像是(卵巢肿瘤类别:良性、恶性、交界性),可信度为(来自视觉模型精确度的可信度评分)……你可以使用连贯的临床描述,完全去除诊断结论。请注意,在你提供的内容中我们不提供诊断结论。”该提示词用于让大语言模型生成图像属性描述而不给出诊断[27]。图2详细展示了我们的工作流程。在推理阶段,视觉模型将预测不同肿瘤的概率,这些概率将传递给大语言模型以生成描述。放射科医师在获取图像描述的同时可以查看视觉模型的评估结果。交互式深度学习模型推理为美国基于超声的卵巢肿瘤诊断带来了更高的可信度和可解释性。基于所提出工作流程的测试场景示例展示见补充图1。语言模型的详细提示词策略可见于:https://github.com/JsongZhang/DL4OCancerUS_Radiologist/tree/master/LLM-promt。
统计分析
本研究使用SPSS 20.0和R软件(版本3.5.2,http://www.R-project.org)进行统计处理。连续变量以均值±标准差表示,定性变量以频数表示。采用Kolmogorov–Smirnov检验检查数据分布的正态性。连续变量采用Student t检验或Mann–Whitney U检验进行评估。本研究参与的医生为5名初级超声医生(Y.L.W.、M.G.、S.Q.C.、M.Y.和P.Z.,具有3–5年超声经验)和1名医学超声科的超声专家(X.L.W.)。初级超声医生为具有医学硕士学位的放射科医生,在该领域连续工作3年以上但不足5年。每名医生在深度学习辅助前后4周内以7天为间隔对测试集中的每个样本进行3次诊断。他们根据O-RADS风险分层和管理系统[10]对验证集和测试集中的良性和恶性超声图像进行识别。分类结果(良性/恶性)相应记录。由于超声诊断标准不明确,边界性卵巢肿瘤(BOTs)被排除在评估之外。此外,将深度学习视觉模型提供的肿瘤性质和大型语言模型(LLMs)提供的图像信息呈现给医生,并在相同流程中验证视觉与语言建模相结合的效果。初级超声医生超声诊断的高值被采纳为诊断的最终指标。采用一致性计算对所有阶段的研究对象放射科医生进行读者内和读者间评估。
Kappa一致性指标用于评估统一标准下不同视角之间的一致性。置信指标κ大于0表示存在一致性,而κ值为1表示高度一致。
结果
患者的基线特征
本研究共纳入来自997名女性患者的1417幅超声图像。训练集和验证集的图像来自机构1、2和3,按4:1的比例分为训练集和验证集。训练集共纳入1055幅超声图像(413例良性、192例交界性、450例恶性),验证集共纳入264幅超声图像(103例良性、48例交界性、113例恶性)(图1)。测试集98幅图像(49例良性、21例交界性、28例恶性)来自机构4和5。临床和超声特征见表1和表2。完整的组织病理学分类见补充表1。
读者内和读者间一致性
表3展示了在使用深度学习(DL)模型之前,超声初级医生与超声专家在验证集和测试集上评估者内和评估者间一致性的结果。根据这些数值,内部阅片之间的一致性显著。超声初级医生(A、B、C、D、E)与一位超声专家(F)之间的评估者间一致性在良性肿瘤中为中等但尚可,在恶性肿瘤中为中等。这表明经验可能对超声图像阅片产生影响,这不仅得到初级医生与超声专家之间不完全一致性的支持(表3),也得到同一经验基准内医生之间一致性差异的支持(补充表2)。
深度学习辅助的诊断性能
在本研究中,我们最终选择了ResNet-50模型(ViT-b在验证集上的准确率仅为66.56%,而VGG-16的准确率为71.15%)(补充表3)。采用五折交叉验证过程进行评估时,ResNet-50深度学习模型在所有验证集上的平均总体准确率为85.23%(95% CI:[80.44%,89.00%])。其在良性、交界性和恶性卵巢肿瘤分析中的准确率分别为89.47% [81.88%,93.93%]、64.61% [50.44%,76.57%]和76.92% [68.42%,83.79%]。对于使用相同超声设备获得的来自中国东北和西南地区的测试集,该模型对良性、交界性和恶性卵巢肿瘤的准确率依次为91.80% [80.81%,96.78%]、84.61% [65.12%,94.42%]和82.60% [63.96%,93.17%]。展示网络在分类过程中关注区域的显著性图见补充图2。
通过深度学习提升诊断性能
在放射科医师的测试中,视觉模型和LLM的非诊断性描述在离线环境中被用作已知条件。表4呈现了医生A、B、C、D、E在四周内以七天为间隔的阅片结果。DL模型的输出通过评估放射科医师是否同意并采纳模型辅助诊断作为其最终临床决策的一部分来进行评价。在验证集中,初级超声医生A的认可评级从良恶性鉴别的初始准确率80.55%提升至89.81%,B的准确率从75.00%提升至87.03%,C的准确率从78.24%上升至90.74%,D的准确率从77.78%攀升至91.20%,E的准确率从76.39%上升至90.28%。在测试集中,A和B均从76.62%提升至90.90%,C的准确率从79.22%提高至94.54%,D的准确率从76.62%攀升至95.95%,E的准确率从76.60%上升至95.95%。此外,A、B、C、D和E在验证集和测试集中的诊断一致性分别从0.671和0.762、0.412、0.588和0.528提升至0.912、0.916、0.629、0.701和0.701。DL辅助增强了经验不足五年的初级超声医生之间的一致性,使其达到与超声专家相当的水平。诊断性能提升的示例见图3。此外,ADNEX模型(验证集/测试集)的准确率为79.17%/61.22%,精确率为79.31%/71.69%,召回率为79.17%/61.22%,特异性为88.5%/81.21%。与包含超声边界分析的ADNEX模型相比,仅依赖超声图像的视觉模型将验证集和测试集的平均准确率分别从79.17%和61.22%提升至85.23%和87.76%。
讨论
在本研究中,我们建立了一个基于超声的多中心DL模型,用于诊断良性、交界性和恶性卵巢肿瘤,并研究了将DL模型(特别是视觉和语言模型)整合到放射科医师诊断流程中对多中心超声卵巢肿瘤识别的效果。研究结果表明,在DL模型辅助下,放射科医师的诊断准确率显著提高。这一改善凸显了DL在提升初级超声医生专业能力方面的潜力,尤其是在快速准确诊断至关重要的环境中。
在视觉模型结论与语言模型描述相结合的深度学习(DL)辅助超声(US)决策工作流程中,本研究聚焦于两位初级超声医生,二者的诊断准确性和一致性均表现出显著提升。DL助手成功弥合了因经验水平不同而产生的超声知识差距,使仅有三年经验的初级超声医生能够接近具有十年经验的超声专家的诊断效能。然而,由于缺乏交界性卵巢肿瘤(BOT)的诊断指南,本研究未比较DL助手在交界性病例中的性能提升。尽管如此,该工作流程可能有助于未来BOT诊断标准的建立和发展。与多参数ADNEX模型相比,基于超声图像的视觉分析模型取得了更优的性能,提示使用视觉模型方法分析BOT超声图像的优势。
既往研究大多将BOT归类为恶性,将其与良性和恶性卵巢肿瘤区分开来[16, 28]。Chen等[16]对304例良性卵巢肿瘤患者和118例恶性卵巢肿瘤患者(包括BOT)的超声图像进行了DL建模。其结果显示,DLdecision、DLfeature、O-RADS和专家评估对恶性肿瘤的敏感度分别为92%、92%、92%和96%,特异度分别为80%、85%、89%和87%。基于超声图像的DL算法表现出较高的诊断性能。同样,Christiansen等[28]对758张卵巢肿瘤超声图像进行了DL建模。结果显示,在敏感度为96.0%时,Ovry-Dx1的特异度与超声专家相似(86.7% vs. 88.0%;p = 1.0)。当将12.7%的病灶判定为不确定时,Ovry-Dx2模型的敏感度为97.1%,特异度为93.7%。DL诊断模型的准确性与超声专家相当。然而,其模型无法独立识别BOT。鉴于交界性病例收集的困难性,我们纳入了大规模超声图像数据集。我们开发的DL模型能够有效区分三个类别,这对于希望保留生育功能的BOT女性尤其有意义。此外,与我们的研究不同,上述研究均未实际测试DL模型辅助超声医生诊断卵巢肿瘤的效果。评估DL模型的可用性是一项必要的实验。最后,既往研究大多为单中心研究[16, 29–31]。我们的研究基于多中心样本,因此数据的泛化性和有效性是一大关键优势。来自不同人群分布的卵巢肿瘤超声图像特征有效证明了DL模型在临床超声环境中的实际适用性。
此外,既往研究多为视觉模型,未纳入大语言模型(LLM)训练[16, 31–33]。目前,LLM正日益应用于医学诊断和治疗,尤其是在医学图像辅助诊断方面取得了显著进展[34, 35]。在临床咨询领域,Gungor等[36]评估了LLM(包括ChatGPT-3.5、ChatGPT-4和ChatGPT-Omni)在回答804个与妇科癌症诊断和管理相关的不同复杂度问题方面的能力。研究结果显示,ChatGPT-Omni在回答有关妇科癌症的临床咨询方面表现出更优的性能,凸显了其作为临床环境中有价值的决策支持工具和教育资源的潜力。在医学图像辅助诊断领域,Wu等[37]评估了三种LLM聊天机器人——Claude-2、GPT-3.5和GPT-4——在分配肝脏影像报告和数据系统2018版、肺部CT筛查报告和数据系统2022版以及O-RADS MRI方面的表现,并评估了不同提示策略的影响。其结果表明,当配备结构化提示和指南PDF时,Claude-2展现出根据既定标准为放射学病例分配RADS类别的潜力。然而,目前尚无将LLM与深度学习(DL)视觉模型整合用于卵巢肿瘤诊断的研究。在本研究中,除视觉模型外,还生成了无诊断约束的超声图像描述。放射科医生可使用视觉模型辅助诊断和DDL辅助诊断模型进行诊断。交互式DL模型推理为卵巢肿瘤的实际诊断带来了更高的可信度和可解释性。
视觉模型的高性能置信度评分结合LLM生成的描述性文本,为超声医生提供了关于卵巢肿瘤性质和图像纹理分级的全面视角。这代表了一种新的DL辅助临床范式。它促进了医生对DL建议的信任,并通过多方面的视觉-语言模型评估增强了决策能力。这些结果支持多中心、多模态、动态超声视频分析的进一步开发和验证。
简言之,我们的研究具有以下优势。第一,首次将视觉模型和语言模型相结合,建立了基于超声图像的卵巢肿瘤辅助诊断DL模型。这一创新方法已被证明能够提高放射科医生的诊断效率,为卵巢肿瘤的实际诊断提供更高的可信度和可解释性。第二,首次利用来自多中心样本的大型超声图像数据集开发了能够区分卵巢肿瘤良性、交界性和恶性的超声辅助诊断模型,该模型取得了令人瞩目的性能。
我们的研究也存在一些局限性。第一,我们的人群样本全部来自亚洲,地域同质性可能限制我们的研究结果对其他人口学背景的推广。第二,我们的研究基于灰度超声图像,未包含血流图像。来自肿瘤的血流信息将为与恶性肿瘤相关的血管模式提供重要见解,从而更准确地区分良性和恶性病变。第三,在初级超声医生使用深度学习(DL)辅助决策的诊断效能研究中,由于指南诊断标准不明确,我们排除了交界性卵巢肿瘤(BOT),这导致了对比研究的部分缺失。然而,本研究已证实DL模型对BOT的诊断效能。第四,一项关键局限性源于回顾性设计使用了预先采集的静态超声图像,这排除了实时验证和动态临床交互分析的可能性。未来采用实时数据流的多中心试验将解决这些转化限制。第五,图像获取自多种超声机器。由于必要的匿名化处理,单张图像的设备级元数据不可获得。我们对内部数据集采用了图像级划分,以最佳模拟模型必须在未知设备间泛化的真实世界场景。尽管这存在数据泄漏的理论风险,但它提供了对泛化能力的严格检验。关键的是,模型的泛化能力通过严格患者级不重叠且来自不同机构的外部测试集得到了稳健验证。我们相信,在这种多样化、匿名化数据上的训练增强了临床适用性,这已通过强大的外部验证性能得到证实。
结论
基于卵巢肿瘤超声图像的多中心、多模型、多样本深度学习助手可为初级超声医生提供全面、稳健的超声决策支持,弥补临床经验的不足。
补充信息
电子补充材料
引用
- Wang Y, Zhang J, He Y, et al. Ultrasound-based deep learning model as an assistant improves the diagnosis of ovarian tumors: a multicenter study. Insights Imaging. 2025. PMID: 41102593. doi:10.1186/s13244-025-02112-4
- 全文:PMC12532985(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12532985/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。