乳がんと乳腺硬化性アデノシスのバイナリとテルナリ分類予測は,臨床および画像特征から解釈可能な人工知能で:遡及的,診断精度のコホート研究
Yang Qu1, Jie Lian1, Tianli Liu2
1Department of Breast Surgery, Peking Union Medical College Hospital Chinese Academy of Medical Sciences & Peking Union Medical College Beijing China.
Cancer innovation
|February 16, 2026
まとめ
解釈可能なAIモデルでは,乳がん (BC) からスクレロージングアデノシス (SA) を効果的に区別し,その中には管内がん in situ (DCIS) と侵襲性乳がん (IBC) も含まれています. このAIツールは,コア・ニードル・バイオプシーはSAのみを示唆するときに,正確な乳がん診断に役立ちます.
科学分野:
- 腫瘍学 腫瘍学
- 放射線学 放射線学
- 人工知能 (AI) とは,人工知能 (AI) のことです.
背景:
- 硬化性アデノシス (SA) と乳がん (BC) は,類似した臨床,画像,病理学的特徴を共有し,差別化を複雑にします.
- SAはBC (SA+BC) と共存することがあり,その中にはドクターカルシノマインシトゥ (SA-DCIS) や侵襲性乳がん (SA-IBC) が含まれるが,特にコア・ニードル・バイオプシー (CNB) の後の診断はさらに困難である.
研究 の 目的:
- 乳房病変の二次および三次分類のための解釈可能なAIモデルを開発する.
- SA+BC (SA-DCISとSA-IBCを含む) からSA-onlyを臨床およびイメージングの特徴を用いて区別する.
主な方法:
- SA患者726人 (2006年-2021年) の遡及分析:SAのみ患者537人,SA+BC患者189人 (90人のSA-DCIS,99人のSA-IBC).
- 機械学習アルゴリズム (ロジスティック回帰,SVM,意思決定ツリー,XGBoost,ランダムフォレスト) の比較は,AUC,精度,F1スコア,C指数を使用しています.
- SHAPで評価されたモデルの解釈可能性; 113人の患者で外部検証.
主要な成果:
- XGBoostは,バイナリ・タスクとテルナリ・タスクの両方で優れたパフォーマンスを示しました.
- 主な予測特性が特定された:年齢,超音波BI-RADSカテゴリー,病変直径,超音波マージン,生検手順,マンモグラフィの密度,およびマイクロカルシフィケーション.
- バイナリー分類 (SAのみ対SA+BC) でAUC 0.925を達成し,精度は0.883.88でした. テルナリー分類 (SAのみ,SA-DCIS,SA-IBC) でAUC 0.888,精度 0.811.8を達成した.
結論:
- 解釈可能なAIモデルは,SAのみとSA+BCの差別を大幅に改善します.
- 年齢,超音波BI-RADS,および最小の損傷直径が重要な予測要因でした.
- AIモデルは,CNBでSAと最初に診断された乳房病変の管理のための情報に基づいた臨床的決定をサポートし,誤診のリスクを軽減します.
