使用半监督学习的乳腺扫描乳腺密度模型减少了读者间/读者内部的变化
Alyssa T Watanabe1,2, Tara Retson3, Junhao Wang2
1Department of Radiology, Keck School of Medicine, University of Southern California, Los Angeles, CA 90007, USA.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
一个深度学习 (DL) 模型显著降低了乳腺扫描密度评估中的可变性和阅读时间,改善了放射科医生的一致性. 这种人工智能工具提高了诊断准确度和乳腺癌风险评估效率.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺密度是乳腺癌的一个关键风险因素.
- 放射科医生对乳腺扫描密度的不一致报告导致了混乱.
- 标准化乳腺密度评估对于准确的风险分层至关重要.
研究的目的:
- 评估一个深度学习 (DL) 模型用于乳房图密度分级.
- 评估DL模型对读者之间和读者内部变化的影响.
- 为了确定DL模型对放射科医生阅读时间的影响.
主要方法:
- 追溯多读者,多个案例研究,包括928对乳房镜.
- 七个读者最初评估了密度,然后在DL模型的帮助下重新阅读图像.
- 线性科恩卡帕 (κ) 和学生的t测试被用于统计分析.
主要成果:
- 该DL模型实现了高精度 (κ=0.87为4类, κ=0.91为二进制).
- DL辅助显著降低了读者间的变化 (κ从0.70提高到0.88) 和读者内部的变化 (κ从0.83提高到0.95).
- 每对图像的平均阅读时间减少了30% (0.86秒).
结论:
- 深度学习模型可以显著提高乳腺扫描密度评估的一致性.
- 由人工智能驱动的工具提高了放射科医生的诊断准确性和效率.
- 乳房扫描中的DL辅助有潜力减少诊断错误并改善患者的护理.
