在MRI中使用深度学习和放射学进行自动化乳腺密度评估:减少观察者间变量的策略
Xueping Jing1,2, Mirjam Wielema3, Andrea G Monroy-Gonzalez3
1Department of Radiation Oncology, University Medical Center Groningen, University of Groningen, Groningen, The Netherlands.
Journal of magnetic resonance imaging : JMRI
|October 17, 2023
概括
人工智能 (AI) 模型可以显著减少乳腺密度评估中观察者之间的变化. 这种人工智能辅助的解释在放射科医生之间实现了几乎完美的一致性,提高了诊断一致性.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 定量成像生物标志物生物标志物
背景情况:
- 准确的乳腺密度评估对于精确的癌症风险估计至关重要.
- 乳腺密度评估中观察者之间的高变化构成了重大挑战.
研究的目的:
- 评估人工智能 (AI) 在减少乳腺密度评估观察者之间的变异性方面的可行性.
- 评估人工智能辅助的解释,以提高乳腺密度分类的一致性.
主要方法:
- 这是一项回顾性研究,涉及621名没有假乳或重建的患者.
- 开发深度学习和放射学模型来分类乳腺密度类别 (BI-RADS A-D).
- 在一个独立的测试组中,模型和放射科医生之间通过多数投票进行人工智能辅助解释.
主要成果:
- 放射科医生对大多数乳腺密度任务表现出实质性一致,但对极密度类别表现出中度一致.
- 对于大多数任务,人工智能模型与参考标准有很大的一致性.
- 人工智能辅助的解释导致了几乎完美的观察者之间的变化 (平均卡帕值为0.86-0.94).
结论:
- 深度学习和放射学模型显示出在减少乳腺密度评估中观察者之间的变异性方面具有重大潜力.
- 人工智能辅助解释可以提高乳腺密度评估的一致性和可靠性.
- 这些人工智能工具可能有助于更标准化,更准确的乳腺癌风险分层.


