深度学习性能用于检测和分类乳房镜上的微化
Filippo Pesapane1, Chiara Trentin2, Federica Ferrari2
1Breast Imaging Division, IEO European Institute of Oncology IRCCS, Milan, Italy. filippo.pesapane@ieo.it.
European radiology experimental
|November 7, 2023
概括
这项研究开发了一种人工智能 (AI) 工具,用于准确检测和分类乳房影像上的微化. 人工智能模型在协助放射科医生进行乳腺癌查方面表现有前途.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 乳腺扫描对于早期发现乳腺癌至关重要,但放射科医生的能力有限.
- 人工智能 (AI) 提供了一种解决方案,用于评估乳房镜中的微化.
- 这项研究的重点是开发和测试用于微化分析的AI模型.
研究的目的:
- 开发和评估一个人工智能模型,用于定位和描述乳房影像上的微化.
- 评估不同神经网络 (AlexNet,ResNet18,ResNet34) 在检测和分类微化的性能.
- 确定人工智能的潜力,以支持放射科医生在乳房影像解释.
主要方法:
- 专家放射科医生对来自1000名患者的1,986张乳房镜的数据集进行了注释.
- 三个神经网络 (AlexNet,ResNet18,ResNet34) 进行了训练,验证和测试.
- 使用诸如灵敏度,特异性和曲线下的面积 (AUC) 等指标来评估性能.
主要成果:
- 亚历克斯Net实现了0.98 AUC检测和0.94 AUC分类的最高性能.
- ResNet18和ResNet34在检测 (0.98AUC) 和分类 (0.92AUC) 中也表现出高精度.
- 人工智能模型在识别恶性和良性微化时显示出高灵敏度和特异性.
结论:
- 开发的人工智能模型准确地检测和描述了乳房摄影上的微化.
- 基于人工智能的系统可以显著帮助放射科医生解释乳房影像.
- 这项研究强调了可靠的深度学习模型对于乳腺癌查的重要性.
