通过使用深度学习来诊断乳房质量的乳房扫描密度的诊断值
Qian-Qian Chen1, Shu-Ting Lin1, Jia-Yi Ye1
1Department of Radiology, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, Fujian, China.
Frontiers in oncology
|June 19, 2023
概括
使用乳房扫描密度的深度学习模型有效地区分良性与恶性乳腺质量. 这种人工智能工具有望成为数字乳房镜中放射科医生的辅助诊断辅助工具.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺扫描密度是乳腺癌风险和检测的一个关键因素.
- 准确区分良性和恶性乳腺质量对于患者管理至关重要.
- 目前的诊断方法可以通过先进的计算工具来增强.
研究的目的:
- 开发和评估一种基于乳腺密度的深度学习模型来诊断乳腺质量.
- 探索乳房扫描密度,病变特征和恶性瘤之间的关系.
- 评估拟议的C2FTrans模型的诊断性能.
主要方法:
- 一项回顾性研究分析了401个病变的乳房影像和病理学数据.
- 训练了一种深度学习模型 (C2FTrans) 来分析乳腺扫描密度和细分感兴趣区域 (ROI).
- 用接收器操作特征 (ROC) 曲线,曲线下的面积 (AUC),灵敏度和特异性来评估模型性能.
主要成果:
- 深度学习模型展示了强大的诊断能力.
- 周焦5mm ROI模型获得了最高的灵敏度 (86.9%),AUC为0.855.
- 结合围焦5毫米ROI模型的视图,产生了最高的AUC (0.877),表明性能优越.
结论:
- 分析乳房扫描密度的深度学习模型可以有效地区分良性和恶性乳房质量.
- C2FTrans模型显示了作为放射科医生的辅助诊断工具的潜力.
- 进一步将人工智能整合到乳房造影中可以提高诊断准确性和患者的治疗结果.
