通过DenseNet卷积神经网络对乳房镜中的不对称性进行分类
Tingting Liao1, Lin Li1, Rushan Ouyang1
1Department of Radiology, The Second Clinical Medical College of Jinan University, Shenzhen 518020, China.
European journal of radiology open
|July 14, 2023
概括
使用DenseNet的深度学习系统 (DL) 改善了对不对称的乳腺病变的诊断,显示出比初级放射科医生更高的特异性和精度. 这种人工智能工具有助于准确评估,并减少乳房镜中的错误.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 乳房镜中的不对称性病变存在诊断挑战.
- 准确区分良性和恶性病变对于患者的治疗结果至关重要.
- 初级放射科医生可能在解释微妙发现时遇到困难.
研究的目的:
- 评估基于DenseNet的深度学习 (DL) 系统的诊断效率.
- 为了比较DL系统的性能与放射科医生在诊断不对称的病变.
- 评估人工智能的潜力,以改善乳房图解读.
主要方法:
- 对460名患有不对称性病变的女性的乳房扫描数据的回顾性分析.
- 使用从接收器操作特征 (ROC) 分析中曲线下面面积 (AUC) 的诊断性能比较.
- 由高级放射科医生,初级放射科医生和DL系统进行评估.
主要成果:
- 与初级放射科医生相比,DL系统表现出更高的特异性 (0.909) 和精度 (0.872).
- DL系统的AUC (0.778) 显著高于初级放射科医生,但低于高级放射科医生.
- 在DL系统和放射科医生之间观察到AUC和其他指标的统计学上显著差异.
结论:
- 基于DenseNet的DL系统显示了对不对称的病变的高诊断效率.
- 人工智能工具可以帮助初级放射科医生进行更准确的诊断.
- 实施这种DL系统可能会提高诊断准确度,减少错过诊断.
