期刊名：Cancers

期刊主页：https://www.mdpi.com/journal/cancers

论文标题：Artificial Intelligence for Lymph Node Detection and Malignancy Prediction in Endoscopic Ultrasound: A Multicenter Study

论文链接：https://www.mdpi.com/2072-6694/17/21/3398

内镜超声 (EUS) 评估淋巴结的基础，在肿瘤分期和治疗指导中起着重要作用。然而，目前用于预测淋巴结恶性的EUS标准存在显著局限性。本研究旨在开发一种基于YOLO架构的卷积神经网络，用于在EUS检查期间进行人工智能辅助的淋巴结恶性预测。

主要内容

1. 研究目标

本研究纳入了来自西班牙、葡萄牙、巴西、英国及美国多个中心的跨大西洋多样化数据集。该数据集在成像技术、设备及患者群体方面存在广泛差异，从而有效提升了模型的稳健性与泛化能力，进而用于评估卷积神经网络基于EUS图像对淋巴结恶性病变的检测与分类功能。

2. 材料和方法

本研究基于来自5个国家9个医疗中心的82次EUS检查数据，开发用于自动区分淋巴结良恶性的CNN模型。研究采用59,992帧经专家标注的影像数据，严格划分为训练集、调优集和测试集（图1），通过分层抽样保证数据分布均衡，并确保测试集采用统一设备采集以保障评估结果可靠性。

图 1. 研究设计示意图。

随后，研究采用YOLOv11框架开发AI模型。该模型通过深度神经网络处理标准化图像，利用边界框对淋巴结进行良恶性判别，并应用非极大值抑制技术剔除冗余检测框，以提升识别精度。

在完成模型训练后，我们采用测试集对其性能进行了系统评估。检测与分类任务分别基于单图像和单病灶进行独立分析，通过系统评估交并比与置信度阈值的25种组合，全面考察模型在不同操作条件下的表现谱系。当模型生成的边界框能够准确包含图像中的淋巴结时，该淋巴结即被正确检测到（图2）。模型整体性能评估包括对良恶性病灶检测与分类结果的比较分析。

图 2. YOLO 模型预测与淋巴结 (LN) 检测和区分的真实情况的比较。

3. 结果

3.1. 数据集特征

表1详细列出了图像帧、检查、设备以及良性和恶性图像帧数量的分布情况。数据集被划分为三个子集：训练集包含60次检查的44,745帧调优集含14次检查的7748帧测试集为8次检查的7499帧。表2详细列出了各中心的检查次数。

表1. 数据集概要

表2. 训练集、验证集与测试集中的各中心病例分布

3.2. 淋巴结检测与分类性能

恶性与良性病灶在图像帧水平的检出率分别为85.4%和69.1%。在淋巴结被成功检测的基础上，AI模型对恶性与良性病灶的分类敏感度相当，分别为98.8%和96.8%。恶性淋巴结的阴性预测值为98.8%。良性病灶则为97.0%。AI模型对良恶性病灶的整体诊断准确率为98.3%。淋巴结组织学自动检测与分类的主要性能指标总结于表3，测试集评估中AI模型的精确率-召回曲线下面积如图3所示。

图3. 淋巴结检测与分类的精确率-召回率曲线。

表3. AI模型在良恶性淋巴结检测与分类中的性能指标。

结论

本研究证实了基于YOLO架构的CNN模型在增强EUS淋巴结评估方面的临床价值。该模型基于大规模多样化数据集开发，展现出优异的灵敏度、特异度与准确率，能有效降低操作者间的差异，并对现有EUS及FNA/FNB技术形成有力补充。后续需开展更大规模多中心试验验证其效能，并深入评估实时临床应用潜力。

原文信息

https://www.mdpi.com/2072-6694/17/21/3398

Agudo Castillo, B.; Mascarenhas Saraiva, M.; Pinto da Costa, A.M.M.; Ferreira, J.; Martins, M.; Mendes, F.; Cardoso, P.; Mota, J.; Almeida, M.J.; Afonso, J.; et al. Artificial Intelligence for Lymph Node Detection and Malignancy Prediction in Endoscopic Ultrasound: A Multicenter Study. Cancers 2025, 17, 3398.

Cancers 期刊介绍

主编：

Samuel C. Mok, The University of Texas MD Anderson Cancer Center, USA

期刊主题涵盖癌症治疗和免疫疗法、癌症生物标志物、流行病学和预防、肿瘤微环境、癌症病因和筛查、诊断和护理、癌症分子生物学等肿瘤学领域的各个方面。目前，期刊已被SCIE、Scopus、PubMed等重要数据库收录。

订阅期刊最新资讯：

https://www.mdpi.com/journal/cancers/toc-alert