通过乳房超声波来区分Phyllodes瘤和纤维腺瘤:深度学习模型优于超声波医生
Zhaoting Shi1,2, Yebo Ma3, Xiaowen Ma1,4
1Department of Oncology, Shanghai Medical College, Fudan University, No. 270, Dong'an Road, Xuhui District, Shanghai 200032, China.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
与人类医生相比,人工智能 (AI) 在区分乳腺瘤 (PTs) 和纤维腺瘤 (FA) 中表现出卓越的表现. 深度学习模型,特别是ResNet,实现了更高的准确性,有助于精确的诊断和治疗规划.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 精确的术前分辨乳腺细胞瘤 (PTs) 和纤维腺瘤 (FA) 对于适当的手术管理至关重要.
- 当前的成像模式为放射科医生在可靠地区分PT和FA方面提出了挑战.
研究的目的:
- 评估深度学习模型在使用超声波图像对乳腺PT和FA进行分类的诊断性能.
- 为了比较人工智能辅助诊断的有效性与经验丰富的放射科医生在区分这些乳腺病变的有效性.
主要方法:
- 1945年656个乳腺瘤 (372个FA,284个PT) 的超声波图像的回顾性分析.
- 两个经验丰富的超声波医生对图像进行了独立评估.
- 使用三个深度学习模型对瘤进行分类:ResNet,VGG和GoogLeNet.
- 模型性能通过五倍交叉验证和接收器运行特征 (ROC) 曲线进行评估.
主要成果:
- ResNet模型实现了最高的性能,曲线下面积 (AUC) 为0.91,准确率为95.3%,灵敏度为96.2%,特异性为94.7%.
- 相比之下,人类医生平均AUC为0.69,准确度为70.7%,灵敏度为54.4%,特异性为53.2%.
结论:
- 与人类医生相比,深度学习模型在区分PT和FA方面显示出明显优越的诊断性能.
- 人工智能辅助诊断为改善临床决策和改善乳腺瘤精度治疗提供了有价值的工具.
