Resumen

La ecografía es uno de los métodos fundamentales para el diagnóstico y el tratamiento en el examen de la tiroides. En la aplicación clínica, muchas razones, como el gran tráfico de pacientes ambulatorios, la formación de los ecografistas, que requiere mucho tiempo, y el nivel profesional desigual de los médicos, a menudo causan irregularidades durante el examen de ultrasonido, lo que lleva a un diagnóstico erróneo o un diagnóstico perdido. Con el fin de estandarizar el proceso de examen ecográfico de la tiroides, este trabajo propone utilizar un método de aprendizaje profundo basado en una red residual para reconocer el plano estándar de la ecografía de la tiroides (TUSP). Al principio, haciendo referencia a múltiples directrices relevantes, se determinaron ocho TUSP con el asesoramiento de expertos en ecografía clínica. Se recogieron un total de 5.500 imágenes TUSP de 8 categorías con la aprobación y revisión del Comité de Ética y el consentimiento informado del paciente. A continuación, tras desensibilizar y rellenar las imágenes, se entrenó el modelo de red residual de 18 capas (ResNet-18) para el reconocimiento de imágenes TUSP, y se realizó una validación cruzada de cinco veces. Por último, mediante indicadores como la tasa de precisión, se comparó el efecto de reconocimiento de otros modelos de redes neuronales profundas convencionales. Los resultados experimentales mostraron que ResNet-18 tiene el mejor efecto de reconocimiento de imágenes TUSP con una tasa de precisión media del 91,07%. La precisión media de la macro, la recuperación media de la macro y la puntuación media de la macro F1 son del 91,39%, 91,34% y 91,30%, respectivamente. Esto demuestra que el método de aprendizaje profundo basado en la red residual puede reconocer eficazmente las imágenes TUSP, lo que se espera que estandarice el examen clínico de ultrasonido de la tiroides y reduzca el diagnóstico erróneo y el diagnóstico perdido.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:Métodos de aprendizaje profundo, imagen de tusp, examen ecográfico de tiroides, diagnóstico erróneo, red residual, modelo de red neuronal, promedio de recuerdo de macro, tasa de precisión promedio, reconocimiento de imagen de tusp, promedio de puntuación f1 de macro
• Keywords:deep learning methods, tusp image, thyroid ultrasound examination, missed diagnosis, residual network, neural network model, average macro recall, average accuracy rate, tusp image recognition, average macro f1-score