确定性在评估AI/CADx中的作用:基于损伤的可重复性,机器学习对乳房MRI的分类性能
Heather M Whitney1, Karen Drukker1, Michael Vieceli2
1Department of Radiology, The University of Chicago, Chicago, Illinois, USA.
Medical physics
|August 21, 2023
概括
一个名为 sureness 的新的可重复度指标增强了对乳腺癌的人工智能/计算机辅助诊断 (AI/CADx). 支持向量机 (SVM) 在使用sureness时显示出基于损伤的性能比线性差异分析 (LDA) 更好.
科学领域:
- 放射学和人工智能在医学成像中的作用
- 乳腺癌诊断和预后 乳腺癌诊断和预后
- 医疗保健中的机器学习
背景情况:
- 人工智能/计算机辅助诊断 (AI/CADx) 与放射学相结合,在乳腺癌诊断和预后方面表现有前途.
- 像AUC这样的性能指标是评估AI/CADx的标准,但基于病变的评估方法可以改善评估,特别是在比较分类器时.
研究的目的:
- 为了比较两个标准分类器 (LDA和SVM) 的分类性能,在使用DCE-MR图像的放射性特征来区分良性和恶性乳腺病变.
- 定义一种新的可重复度指标,称为"确定性".
- 评估"确定性"是否显示出一个分类器在基于病变的AI诊断性能中的优势.
主要方法:
- 对1052种乳腺病变 (201种良性,851种恶性) 的回顾性分析,自动细分和提取32种放射性特征.
- 在0.632启动分析 (2000次代) 中使用线性差别分析 (LDA) 和支持向量机 (SVM) 进行分类.
- 使用AUC和性能指标曲线对分类性能进行评估; "确定性"定义为1减去分类器每次输出的95%置信区间.
主要成果:
- 在LDA和SVM分类器之间,整体分类性能 (AUC) 没有显著差异.
- 与LDA相比,SVM在整个输出范围内表现出更一致的"安全性".
- 在保持性能的同时,SVM在更多病变 (33种良性,307种恶性) 中实现了更高的"度",而LDA则具有较高的"度"但性能较低的良性病变的显著百分比.
结论:
- 基于病变的"确定性"指标为AI管道设计提供了有价值的见解,当AUC等整体性能指标在分类器之间没有显著差异时.
- 基于损伤的可重复性,由"确定性"量化,是AI/CADx对乳腺癌现有的评估措施的补充增强.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
05:49Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
Published on: February 23, 2024
884
