使用基于放射学的机器学习来创建有针对性的测试集,以改善特定的乳腺造影阅读器队列性能:可行性研究.

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 医学成像分析 医学成像分析

背景情况:

• 乳房镜解读是复杂的,导致显著的诊断错误率.
• 提高乳房扫描读数的准确性对于有效的乳腺癌查至关重要.

研究的目的:

• 开发一种基于放射学的机器学习模型,用于预测乳房扫描中的诊断错误.
• 对放射科医生的错误绘制乳房图谱特征,以识别模式.

主要方法:

• 放射性特征从哺乳镜病例中感兴趣的区域中提取.
• 随机森林模型被训练来预测诊断错误 (假阳性,假阴性,位置错误).
• 用灵敏度,特异性,精度和AUC来评估模型性能.

主要成果:

• 放射学方法成功预测了乳房影像解释中的假阳性和假阴性错误.
• 放射科医生队列之间错误的可预测性有所不同,B队列错误的可预测性较低.
• 特性规范化和供应商差异并没有显著影响模型性能.

结论:

• 一个基于放射学的新型机器学习管道可以预测特定类型的乳房扫描阅读错误.
• 这种方法有可能创造定制的教育干预措施,以提高放射科医生的表现.
• 这些发现支持使用人工智能来提高乳房扫描诊断的准确性.