
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于两阶段深度学习的直肠癌经直肠超声浸润深度自动化评估
《Techniques in Coloproctology》:Artificial intelligence–assisted transrectal ultrasound for rectal cancer invasion depth classification
【字体: 大 中 小 】 时间:2026年10月08日 来源:Techniques in Coloproctology 2.6
编辑推荐:
摘要背景准确评估肿瘤浸润深度对直肠癌的治疗方案选择至关重要。经直肠超声(TRUS)可提供高分辨率的直肠壁各层成像,但高度依赖操作者,限制了其在专家中心以外的可重复性。基于人工智能的方法可能有助于标准化TRUS解读,尤其是在浸润深度评估方面。方法我们开发并评估了一种两阶段深度学
准确评估肿瘤浸润深度对直肠癌的治疗方案选择至关重要。经直肠超声(TRUS)可提供高分辨率的直肠壁各层成像,但高度依赖操作者,限制了其在专家中心以外的可重复性。基于人工智能的方法可能有助于标准化TRUS解读,尤其是在浸润深度评估方面。
我们开发并评估了一种两阶段深度学习模型,用于自动化分析标准TRUS图像。共纳入来自103名患者的677张二维图像。在第一阶段,图像被分类为正常或癌症。识别为癌症的图像在第二阶段进行分析,以将浸润深度分类为浅表(T0–T1)或深部(T2–T4)。模型采用迁移学习和五折交叉验证进行训练,并在独立的保留测试集上进行评估。使用准确率、受试者工作特征曲线下面积(AUC)和类别特异性召回率评估性能。
在独立测试集上,两阶段流程实现了82.4%的总体三类准确率。第一阶段区分正常与癌症的准确率为89.7%,AUC为0.93,确保了可靠地识别含肿瘤图像。在癌症阳性图像中,第二阶段区分浅表与深部浸润的准确率为85.6%,AUC为0.91。在整个数据集中的性能一致,并与专家执行TRUS报告的准确率相当。
将两阶段深度学习方法应用于标准TRUS图像,可实现直肠肿瘤浸润深度的自动化、面向实践的分类。通过反映现实诊断工作流程并减少操作者依赖性,该方法可能支持更一致的基于TRUS的分期,并协助治疗决策,特别是在非专科中心。
准确评估肿瘤浸润深度对直肠癌的治疗方案选择至关重要。经直肠超声(TRUS)可提供高分辨率的直肠壁各层成像,但高度依赖操作者,限制了其在专家中心以外的可重复性。基于人工智能的方法可能有助于标准化TRUS解读,尤其是在浸润深度评估方面。
我们开发并评估了一种两阶段深度学习模型,用于自动化分析标准TRUS图像。共纳入来自103名患者的677张二维图像。在第一阶段,图像被分类为正常或癌症。识别为癌症的图像在第二阶段进行分析,以将浸润深度分类为浅表(T0–T1)或深部(T2–T4)。模型采用迁移学习和五折交叉验证进行训练,并在独立的保留测试集上进行评估。使用准确率、受试者工作特征曲线下面积(AUC)和类别特异性召回率评估性能。
在独立测试集上,两阶段流程实现了82.4%的总体三类准确率。第一阶段区分正常与癌症的准确率为89.7%,AUC为0.93,确保了可靠地识别含肿瘤图像。在癌症阳性图像中,第二阶段区分浅表与深部浸润的准确率为85.6%,AUC为0.91。在整个数据集中的性能一致,并与专家执行TRUS报告的准确率相当。
将两阶段深度学习方法应用于标准TRUS图像,可实现直肠肿瘤浸润深度的自动化、面向实践的分类。通过反映现实诊断工作流程并减少操作者依赖性,该方法可能支持更一致的基于TRUS的分期,并协助治疗决策,特别是在非专科中心。