人工智能用于超声波图像上的非质量乳腺病变检测和分类:一项比较研究

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:

• 非质量病变 (NMLs) 是乳房超声波 (US) 成像中的常见发现.
• 准确检测和分类NML对于早期诊断乳腺癌至关重要.
• 目前对NMLs的诊断方法可能具有挑战性.

研究的目的:

• 验证人工智能 (AI) 在美国图像上检测和分类NML的有效性.
• 为了比较两个AI模型DenseNet121_448和MobileNet_448的性能,进行NML分析.
• 评估人工智能的潜力,以提高NMLs的诊断准确性.

主要方法:

• 这项追溯性研究涉及228名NML患者和596名志愿者.
• 两个人工智能模型的开发和评估:DenseNet121_448和MobileNet_448.8.
• 性能指标包括曲线下的面积 (AUC),准确性,灵敏度和特异性,病理学结果作为黄金标准.

主要成果:

• 移动网络_448模型在NML检测方面表现出色,AUC为0.999,准确度为96.5%,灵敏度为96.9%,特异性为96.1%.
• 在分类任务中,MobileNet_448的AUC值为0.837,准确度为70.5%,灵敏度为80.3%,特异性为74.6%.
• 在检测性能方面,在MobileNet_448和DenseNet121_448之间没有观察到统计学上显著的差异.

结论:

• 人工智能模型,特别是MobileNet_448,在检测和分类美国图像上的NML方面非常有效.
• 该研究强调了人工智能的潜力,以提高NML的早期诊断准确性.
• 人工智能辅助分析可能在乳腺损伤评估中提供一种有价值的工具.