YOLO-v7とYOLO-v8の移転学習モデルの適用は,乳腺損傷の分類と診断に役立ちます

科学分野:

• 医療イメージングにおける人工知能
• 診断支援のための機械学習
• 乳がんの傷害分類

背景:

• 乳がんの病変の正確な評価は,早期発見に不可欠です.
• 超音波の診断性能は,画像の複雑さとオペレーターの変動性によって制限されています.
• 精度を向上させ,操作者の依存度を減らすことは,主要な臨床的課題です.

研究 の 目的:

• YOLO-v7およびYOLO-v8モデルの性能を評価し,超音波画像から乳房の病変を分類する.
• これらのAIモデルの診断精度を,ヒト放射線科医と比較するために.
• 乳房超音波の臨床意思決定を支援するAIの可能性を評価する.

主な方法:

• 7,025枚の乳房超音波画像を遡及的に分析した.
• YOLO-v7およびYOLO-v8モデルのトレーニングは,転送学習,データ増強,クラスバランスを使用します.
• 内部および外部テストセットでのパフォーマンスの評価,読者研究との比較を含む.

主要な成果:

• YOLO-v8は,YOLO-v7.7と比較して,外部テストセットでより高い精度,リコール,特異性,精度,F1スコアを達成しました.
• YOLO-v7とYOLO-v8は,精度,特異性,精度において上級放射線科医を大幅に上回りました.
• YOLO-v8は優れた診断効率と一般化能力を実証しました.

結論:

• YOLO-v8は,高度なアーキテクチャと性能により,乳房病変の分類における臨床応用に強力な可能性を示しています.
• YOLO-v8のようなAIモデルでは,経験豊富な放射線科医の診断性能に接近したり,それを上回ったりできます.
• これらのAIツールは,経験が少ない読者を助け,診断の一貫性と正確性を向上させることができます.