通过深度转移学习方法减少乳房BI-RADS 4病变的不必要活检的数量

科学领域:

• 医学成像分析 医学成像分析
• 放射学中的人工智能
• 机器学习用于乳腺癌检测

背景情况:

• 减少对乳腺图像BI-RADS 4病变的不必要活检是临床优先事项.
• 深度转移学习 (DTL) 提供了提高诊断准确性的潜力.
• Inception V3是一个适合图像分类任务的架构.

研究的目的:

• 用Inception V3和各种微调策略来评估DTL.
• 评估DTL在减少对BI-RADS 4病变不必要的活检方面的潜力.
• 将DTL模型的性能与病理诊断进行比较.

主要方法:

• 一个基于Inception V3的DTL模型被开发出来.
• 研究了11种微调策略,以优化模型性能.
• 该模型在1980年的乳房图像数据集上进行了训练和验证.
• 在BI-RADS 4病变上使用精度,回忆,F1得分和AUROC来评估性能.

主要成果:

• S5微调策略取得了最佳表现.
• 对于BI-RADS 4病变,S5模型表现出高精度 (Pr,Rc,F1:0.90;AUROC:0.86) 的研究结果.
• S5降低了BI-RADS 4病变的85.91%,表明潜在的不必要活检的显著减少.
• 在S5模型分类和病理诊断之间没有发现显著差异 (P=0.110).

结论:

• 拟议的S5 DTL模型有效地减少了对乳腺 BI-RADS 4 病变进行不必要的活检.
• 这种人工智能方法在乳腺损伤评估中显示出临床应用的希望.
• 该模型的性能表明,它有可能在放射学中具有更广泛的临床实用性.