Pnömokonyozun Tanısı ve Evrelemesi İçin Çok Ölçekli Lezyon Algılama Dikkat Ağlarının Derin Öğrenme Modelleri: Radyologlarla Karşılaştırmalı Bir Çalışma

Pnömokonyozun doğru tahmini, bireyselleştirilmiş erken önleme ve tedavi için esastır. Ancak, radyologlar arasındaki farklı tezahürler ve yüksek heterojenlik, pnömokonyozu doğru bir şekilde teşhis etmeyi ve evrelemeyi zorlaştırmaktadır. Burada, iki merkezden toplanan DR görüntülerine dayanarak, pnömokonyoz tanısı, pnömokonyozun evrelenmesi ve evre I pnömokonyozun taranması için yeni bir derin öğrenme modeli, yani Çok Ölçekli Lezyon Farkında Dikkat Ağları (MLANet) önerilmiştir. Alıcı çalışma karakteristiği eğrisi altındaki alan, doğruluk, geri çağırma, hassasiyet ve F1 skoru dahil olmak üzere bir dizi gösterge, modelin performansını kapsamlı bir şekilde değerlendirmek için kullanılmıştır. Sonuçlar, MLANet modelinin pnömokonyoz tanısının tutarlılığını ve verimliliğini etkili bir şekilde iyileştirebileceğini göstermektedir. MLANet modelinin pnömokonyoz tanısı için iç test seti, dış doğrulama seti ve prospektif test seti üzerindeki doğruluğu sırasıyla %97,87, %98,03 ve %95,40'a ulaşmış olup bu da kalifiye radyologların seviyesine yakın olmuştur. Dahası, model sırasıyla %97,16 doğruluk, %98,25 geri çağırma, %93,42 hassasiyet ve %95,59 F1 skoru ile evre I pnömokonyozu etkili bir şekilde tarayabilir. Oluşturulan model diğer dört sınıflandırma modelinden daha iyi performans göstermektedir. Bireyselleştirilmiş erken önleme ve tedavi için büyük önem taşıyan pnömokonyoz dijital göğüs radyografilerinin otomatik tanısını gerçekleştirmek için klinik çalışmalarda uygulanması beklenmektedir.

Makalenin Tamamını Okuyun