深度学习分析 乳腺癌风险预测的乳房扫描 亚洲女性的风险预测
Hayoung Kim1, Jihe Lim2, Hyug-Gi Kim3
1Department of Radiology, College of Medicine, Inha University Hospital, Inhang-ro 27, Jung-gu, Incheon 22332, Republic of Korea.
Diagnostics (Basel, Switzerland)
|July 14, 2023
概括
这项研究开发了深度学习 (DL) 模型,使用乳房影像来预测亚洲女性的乳腺癌风险. 这些模型显示了早期检测的潜力,有助于对这一人口群体的风险评估.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 预测乳腺癌风险对于早期检测和干预至关重要.
- 乳房摄影是主要的查工具,但解释可能具有挑战性,特别是在多样化的人口中.
- 开发人工智能驱动的工具可以增强乳房分析和风险分层.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测使用乳房影像的亚洲女性的乳腺癌风险.
- 为了比较图像级和检查级DL模型在整个和只有密度的乳腺组织数据集上的性能.
- 评估基于乳房镜的人工智能在特定人口群体中预测乳腺癌风险的潜力.
主要方法:
- 一项回顾性研究利用了来自两家三级医院的153名癌症患者和447名对照患者 (共1023次检查) 的乳房扫描数据 (2012年11月 - 2022年3月).
- 开发两种DL模型 (图像层面和检查层面),以整体和密集乳腺组织数据集进行训练.
- 使用准确度,精度,灵敏度,特异性,F1得分和接收器操作特征曲线 (AUC) 下的面积进行性能评估.
主要成果:
- 图像级DL模型在只有密度数据集上的AUC为0.75,在整个数据集上的AUC为0.71.
- 检查级DL模型的AUC为0.66和0.67,分别为整个数据集和仅密度数据集.
- 这些发现表明基于模型类型和数据集组成的性能有所不同.
结论:
- 基于乳房扫描的深度学习模型显示了预测亚洲女性乳腺癌风险的潜力.
- 图像级模型,特别是在密集的乳腺组织上,显示出有希望的预测性能.
- 需要进一步的研究和验证,以将这些AI工具集成到临床实践中,以改善乳腺癌查.
