Lancet子刊:基于多实例学习的GAIA-MIL模型对胆囊癌超声图像的自动检测价值
2026-03-09 清泉心田 MedSci原创 发表于上海
印度多家医疗及科研机构联合开展了一项回顾性与前瞻性结合的多中心队列研究,开发并验证了一种门控注意力多实例学习模型(GAIA-MIL),同时构建并公开了大型胆囊癌超声基准数据集AURORA-GB。
深度解析医学证据,DeepEvidence为你支撑决策 胆囊癌(GBC)作为胆道系统最具侵袭性的恶性肿瘤之一,晚期五年生存率不足5%,早期检测是改善患者预后的关键。超声检查因普及性高、成本低廉,成为胆囊病变的首选诊断手段,但良恶性病变的影像学特征重叠,即使经验丰富的放射科医生也难以精准鉴别,导致诊断延迟或不必要的干预。近年来,深度学习在胆囊癌超声检测中展现出潜力,但现有研究多依赖单中心小样本数据,未解决单患者多图像分析的临床实际问题,也缺乏不同多实例学习(MIL)架构的标准化基准测试。 为填补上述空白,印度多家医疗及科研机构联合开展了一项回顾性与前瞻性结合的多中心队列研究,开发并验证了一种门控注意力多实例学习模型(GAIA-MIL),同时构建并公开了大型胆囊癌超声基准数据集AURORA-GB。研究训练数据集包含1151名患者的11012张图像,涵盖前瞻性AURORA-GB数据集(2022年8月至2024年7月)及两个公开数据集(GBCU-v2、UIdataGB),其中AURORA-GB数据集含674名患者的8048张灰度B超图像,恶性病例450
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言












#胆囊癌# #Transformer类模型#
43 举报