基于注意力的深度学习系统用于乳腺损伤的分类 - 多模式,弱监督的方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要改进早期检测方法.
• 查性乳房扫描对于早期诊断至关重要,但自动化系统可以提高其有效性.
• 深度学习人工智能为开发先进的自动诊断工具提供了潜力.

研究的目的:

• 开发和评估一个深度学习模型,用于使用乳房摄影自动检测乳腺癌.
• 为应对医疗图像分析人工智能模型培训数据稀缺性挑战.
• 通过人工智能提高早期乳腺癌诊断的准确性和可靠性.

主要方法:

• 集群受约束的注意力多实例学习 (CLAM) 分类器被用于在数据稀缺的情况下进行培训.
• 在ImageNet上预先训练的特征提取器 (ResNet,EfficientNet) 被使用.
• 使用CC和MLO乳房图像进行了多模式视图分类.

主要成果:

• 在私人数据集上,CLAM模型实现了0.896 ± 0.017的AUC-ROC,在中国乳房学数据库上达到0.848 ± 0.015.
• 报告了高性能指标,包括F1得分 (81.8 ± 3.2),准确度 (81.6 ± 3.2),精度 (82.4 ± 3.3) 和回忆 (81.6 ± 3.2).
• 注意地图提供了对图像特征的洞察力,推动了预测,提高了模型的可解释性.

结论:

• 拟议的基于CLAM的深度学习方法有效地促进了从查乳腺扫描中早期诊断乳腺癌.
• 与许多现有研究相比,该模型表现出优越的性能,提供了更高的准确性和一些可解释性.
• 这种人工智能驱动的方法有望提高乳腺癌查计划的效率和可靠性.