乳腺含量比率的自动估计使用回归深卷积神经网络和在临床实践中的有效性可解释为人工智能
Chiharu Kai1, Sachi Ishizuka1, Tsunehiro Otsuka2
1Department of Radiological Technology, Faculty of Medical Technology, Niigata University of Health and Welfare, Niigata City 950-3198, Niigata, Japan.
Cancers
|June 22, 2023
概括
一个新的回归深卷积神经网络 (DCNN) 准确地估计了乳腺含量比率,以客观评估乳腺组成. 这种方法提高了临床评估的准确性,并减少了临床评估中的错误.
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
- 生物医学工程 生物医学工程
背景情况:
- 评估乳腺组成在临床实践中至关重要.
- 基于BI-RADS图谱的当前方法可能是主观的.
- 一个日本指南使用乳腺含量比率进行客观评估.
研究的目的:
- 开发和验证回归深卷积神经网络 (DCNN) 以估计乳腺含量比.
- 为乳腺组成分类提供更客观,更准确的方法.
- 在乳腺组成分析中克服传统的歧视性DCNN的局限性.
主要方法:
- 利用了由专家医生评估的1476张乳房图像的数据集.
- 开发了一个回归DCNN模型,具有四个卷积和三个完全连接的层.
- 使用训练回归DCNN计算的乳腺含量比率.
主要成果:
- 在估计和实际比率之间实现了0.93 (p < 0.01) 的高相关系数.
- 在根据DCNN估计的比率对乳房组成进行分类时,表现出高的同意率 (84.8%).
- 展示了DCNN提供直观和准确结果的能力,最大限度地减少多步骤错误.
结论:
- 拟议的回归DCNN准确估计乳腺成分比率用于乳房组成分析.
- 这种由人工智能驱动的方法为现有方法提供了一个客观,视觉和高度准确的替代方案.
- 在临床环境中,DCNN模型是有效的,减少诊断错误和改善患者护理.
