基于动态视频的深度学习模型评估甲状腺乳头状癌被膜侵犯的比较研究

摘要

目的 构建基于动态视频评估甲状腺乳头状癌被膜侵犯(CIPTC)的两种人工智能(AI)诊断模型，比较两种深度学习模型及超声医师对CIPTC的诊断效能，探讨AI模型诊断CIPTC的临床应用价值。方法 回顾性收集194例甲状腺乳头状癌患者的术前超声诊断动态视频，对视频进行截帧处理，每4帧采集1张图像。超声医师用连续标点的方式手动标注出沿病灶边缘的感兴趣区及甲状腺被膜轮廓。使用双模型架构的分割模型对标注的点进行边缘分割和提取，采用两种不同分类依据的ResNet18模型和动态距离模型进行深度学习训练。以病理结果为金标准，比较两种AI模型及超声医师对CIPTC的诊断效能。结果 绘制验证集中两种AI诊断模型与超声医师诊断效能ROC曲线图发现，ResNet18模型诊断AUC为0.825，动态距离模型诊断AUC为0.750，超声医师诊断AUC为0.717,ResNet18模型联合诊断模型AUC为0.846，动态距离联合诊断模型AUC为0.796,ResNet18模型与动态距离模型诊断AUC值均高于超声医师诊断，但差异无统计学意义(Z=1.378,P=0.168;Z=0.405,P=0.686)，联合诊断模型诊断效能优于单模型诊断，ResNet18模型联合诊断模型诊断效能优于超声医师诊断(Z=2.120,P=0.034),动态距离模型联合诊断模型与超声医师诊断效能比较，差异无统计学意义(Z=1.459,P=0.145)。绘制测试集中AI诊断模型与超声医师诊断效能ROC曲线图发现，ResNet18诊断模型AUC为0.794，动态距离诊断模型AUC为0.734，超声医师诊断模型AUC为0.714,ResNet18模型联合诊断模型AUC为0.852，动态距离联合诊断模型AUC为0.835,ResNet18与动态距离诊断模型的AUC值高于超声医师诊断模型，但差异无统计学意义(Z=0.843,P=0.399;Z=0.229,P=0.819)，两种联合诊断模型诊断效能优于单模型诊断，两种联合诊断模型与超声医师诊断效能差异无统计学意义(Z=1.888,P=0.059;Z=1.697,P=0.090)。结论 本研究构建了基于动态超声视频的两种分类方法的深度学习模型用于评估CIPTC。深度学习模型的诊断效能均与超声医师相当，联合诊断模型的诊断效能进一步提高，为临床评估CIPTC提供新途径，具有临床潜力。

关键词

甲状腺乳头状癌 / 被膜侵犯 / 深度学习 / 动态视频

基金资助

国家自然科学基金项目“基于序列超声影像的非进展性甲状腺微小癌患者智能筛选”（项目编号：82171965）