在使用自动机器学习模型的B模式超声波上对不确定的乳腺病变的表征

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 乳房成像 乳房成像

背景情况:

• 乳房造影对乳房病变检测的特异性有限,导致错误阳性.
• 超声波查可以增加假阳性,需要进一步调查,如活检.
• 机器学习有可能提高医学图像分析的准确性.

研究的目的:

• 评估谷歌AutoML视觉用于超声波识别和表征不确定的乳腺病变.
• 评估图像分类和物体检测模型的性能.
• 研究培训策略,以提高乳腺损伤分析中的模型性能.

主要方法:

• 采用了253个独立病例的B模式超声波图像,其中253例是不确定的乳腺病变.
• 经过训练和验证的图像分类和物体检测模型使用Google AutoML Vision.
• 雇佣患者活检病理学作为模型评估的参考标准.

主要成果:

• 图像分类模型在内部实现了0.850.96的精度回忆曲线 (AUC) 下的面积.
• 性能最好的分类模型在独立数据集上显示了100%的灵敏度和83.3%的特异性.
• 对象检测模型发现了病变,但性能指标较低.

结论:

• 机器学习模型,特别是图像分类,在识别和分类可疑的乳腺病变方面表现有前途.
• 自动ML视觉可以作为一个有价值的工具,结合超声波的乳腺损伤评估.
• 进一步开发可能会提高这些AI工具在临床实践中的实用性.