用于超声甲状腺结节分类的深度学习：在独立数据集上的验证
图像与视频处理
2023-05-08 v2 计算机视觉与模式识别
机器学习
摘要
目的：将先前已验证的深度学习算法应用于新的甲状腺结节超声图像数据集，并将其性能与放射科医生进行比较。方法：先前的研究提出了一种算法，能够检测甲状腺结节并基于两幅超声图像进行良恶性分类。一个多任务深度卷积神经网络使用 1278 个结节进行训练，并最初用 99 个独立结节进行测试，结果与放射科医生相当。该算法进一步使用 378 个结节进行测试，这些结节所用的超声设备品牌与产品型号均不同于训练病例。我们邀请四位经验丰富的放射科医生对结节进行评估，以便与深度学习进行比较。结果：采用参数化双正态估计计算了深度学习算法与四位放射科医生的曲线下面积（AUC）。深度学习算法的 AUC 为 0.69（95% CI：0.64–0.75）。放射科医生的 AUC 分别为 0.63（95% CI：0.59–0.67）、0.66（95% CI：0.61–0.71）、0.65（95% CI：0.60–0.70）和 0.63（95% CI：0.58–0.67）。结论：在新的测试数据集中，深度学习算法与全部四位放射科医生取得了相近的性能。算法与放射科医生之间的相对性能差异未受超声扫描仪差异的显著影响。
引用
@article{arxiv.2207.13765,
title = {Deep Learning for Classification of Thyroid Nodules on Ultrasound: Validation on an Independent Dataset},
author = {Jingxi Weng and Benjamin Wildman-Tobriner and Mateusz Buda and Jichen Yang and Lisa M. Ho and Brian C. Allen and Wendy L. Ehieli and Chad M. Miller and Jikai Zhang and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2207.13765},
year = {2023}
}
备注
Clinical Imaging (2023)