基于超声图像及尿液细胞学构建膀胱癌多模态人工智能诊断模型

目的本研究旨在探究是否可以基于超声图像及尿液细胞学构建多模态人工智能诊断模型,提升诊断敏感性,并辅助减少膀胱镜的使用。方法本研究是一项单中心回顾性研究,纳入了从2018年1月至2023年9月份同时行膀胱超声检查及尿液细胞学检查的2056名患者进行模型训练及验证。金标准基于患者的组织病理结果进行确定,阴性患者需要进行6个月的随访以确定未患癌。基于ResNet(残差神经网络)模型以及超声影像构建了膀胱癌人工智能(AI)诊断模型,使用在ImageNet数据集上预训练的权重作为模型权重的初始化,并采用随机梯度下降和交叉熵损失进行网络权重调整和算法优化,当超声AI模型输出诊断评分后,将其与尿液细胞学诊断结果及临床危险因素基于Logistic回归构建多模态诊断模型并为每个个体输出最终诊断概率。最终在验证集以及亚组(包括不同分期、分级、临床场景)中验证模型的有效性。最终的多模态模型将命名为BCaUSNet(膀胱癌超声残差神经网络模型)。结果BCaUSNet模型在验证集中的诊断敏感性为0.896(95%CI:0.839~0.938),曲线下面积为0.917(95%CI:0.891~0.942)。在复发监测场景中,模型的敏感性可达到0.821(95%CI:0.631~0.939),阴性预测值可达到0.896(95%CI:0.773~0.965),这可以在有较高把握的程度上辅助减少60%的膀胱镜使用。在尿液细胞学难以诊断的低度恶性潜能肿瘤及低级别肿瘤中,BCaUSNet模型敏感性分别提高至71.4%及93.3%。在超声较易漏诊的非肌层浸润性肿瘤以及小肿瘤(<1.5 cm)中,BCaUSNet模型敏感性分别提高至89.5%及87.5%。结论基于超声图像及尿液细胞学构建膀胱癌多模态人工智能诊断模型具有较高的诊断敏感性,有助于降低膀胱癌的漏诊、减少膀胱镜的使用,具有较好的临床效用以及创新意义。

基于超声组学的甲状腺结节良恶性预测关键技术研究

目的:研究基于超声组学的甲状腺结节良恶性预测关键技术的应用价值。方法:收集甲状腺结节患者307例(共367个甲状腺结节),其中恶性结节170个,良性结节197个。分别进行术前常规超声、超声造影以及弹性成像检查,通过多因素Logistic回归分析明确甲状腺恶性结节的独立危险因素,建立甲状腺结节多模态诊断模型。比较多模态诊断模型和常规超声、超声造影、弹性成像的诊断价值。结果:年龄≥45岁、纵横比≥1、边界不清晰、形态不规则、回声不均匀、钙化、不均匀增强、血管走形不规则以及弹性成像结节弹性评分3~4分的恶性甲状腺结节患者占比均高于良性甲状腺结节患者(P<0.05)。Logistic回归分析显示,年龄≥45岁、形态不规则、回声不均匀、不均匀增强、血管走形不规则以及弹性成像结节弹性评分3~4分均是恶性甲状腺结节的独立危险因素。多模态诊断模型鉴别诊断甲状腺良恶性结节的敏感度、特异度、准确度分别为93.5%、81.2%、86.9%,均高于常规超声、超声造影、超声弹性成像检查(P<0.05)。结论:超声多模态诊断模型对良恶性甲状腺结节的预测价值较高,可作为临床诊断良恶性甲状腺结节的有效技术手段。