智能AI——助力甲状腺结节的精准分类( 二 ) 来源：蝴蝶书院引言近日

文章图片
图1：通过EC框架架构的KDL
数据增强
研究者通过对每个甲状腺结节应用BPandDWT算法来实现数据增强，一种原始多模态特征融合图像，则是通过沿通道轴将图像及其对应的LBD和DWG进行处理而获得（图2）。

文章图片
图2：数据增强示例（a）原始超声图像,（b）和（c）分别显示通过LBP和DWT分析的相同结节
定性评估
为了进一步分析总结KDL-EC模型，研究者还使用EGRADcam算法对Aqualitative测试进行了操作，该算法为网络决策提供了可视化规划。此定性评估的输入样本、标记版本以及结果如图3所示。

文章图片
图3：KDL-EC-7DenseNet的梯度-凸轮定性研究比较: ，上排为良性结节，中下排为恶性结节
诊断性能
如表1所示， KDL-EC模型诊断甲状腺结节准确度高达95.11% ，灵敏度高达96.22% ，特异性为93.09%；提示KDL-EC模型用于甲状腺结节的诊断是可行的（表1）。
表1：最先进的方法性能比较

文章图片
GiorgioGrani博士谈到，机器学习尚存一些问题有待未来深入研究。在技术方面，不同的设备和探针可能产生不同的数据格式。在临床方面，数据集可能存在不充分或者缺失的情况；有些数据虽然被医生含蓄地考虑，但并没有包括在数据集中，这也可能对机器学习模型的性能产生负面影响。另一个问题涉及机器学习算法的性质，这些算法通常被称为“黑匣子” ，存在虚假相关性的风险。
最后， GiorgioGrani博士总结道，研究表明新开发的KDL-EC模型的性能至少可以与其他目前最先进的方法相媲美，其对甲状腺结节的良恶性具有良好的识别功能，且无需人工分割或兴趣区域选择。未来，还需进行独立队列和组织学为金标准的队列的验证，并探索其在丰富的髓质和滤泡型甲状腺癌中的诊断性能，以及尝试在“特征再融合步骤”中使用弹性图像、对比度增强超声和多普勒图像。