乳腺癌查测试使用深度学习:英国的一项回顾性研究
Sarah E Hickman1, Nicholas R Payne1, Richard T Black1
1From the Department of Radiology, University of Cambridge School of Clinical Medicine, Box 218, Level 5, Cambridge Biomedical Campus, Cambridge CB2 0QQ, UK (S.E.H., N.R.P., Y.H., A.N.P., M.N., F.J.G.); University of Cambridge School of Clinical Medicine, Cambridge, UK (M.I.A, A.S.); Department of Radiology, Barts Health NHS Trust, The Royal London Hospital, London, UK (S.E.H.); Department of Radiology, Addenbrooke's Hospital, Cambridge University Hospitals NHS Foundation Trust, Cambridge, UK (R.T.B., A.N.P., F.J.G.); EPSRC Cambridge Mathematics of Information in Healthcare Hub, University of Cambridge, Cambridge, UK (Y.H.); Peel & Schriek Consulting, London, UK (S.H.); Department of Radiology, Norfolk and Norwich University Hospital, Norwich, UK (B.K., A.J.); and University of East Anglia, Norwich Research Park, Norwich, UK (B.K.).
深度学习 (DL) 算法可以有效地对乳房影像进行分类,识别正常结果以减少放射科医生的工作量并标记潜在的癌症. 与传统的双重阅读相比,这种适应性工作流显示出更高的灵敏度和非劣质的特异性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳房摄影对于早期发现乳腺癌至关重要.
- 大量的正常乳房造影导致重复的,资源密集的阅读任务.
- 深度学习 (DL) 为优化选工作流提供了潜在的解决方案.
研究的目的:
- 为了评估深度学习 (DL) 算法的有效性,对乳房影像进行分类.
- 为了确定DL是否可以识别正常的乳房造影,以减少工作负载.
- 评估DL是否可以标记人类读者可能忽略的癌症.
主要方法:
- 从两个英国乳腺查计划站点对78,849张乳房影像进行了回顾性研究.
- 三个商业DL算法使用两个分拣场景 (排除和规则) 进行了测试.
- 用灵敏度和特异性来评估性能,将DL适应的工作流与常规双重阅读进行比较.
主要成果:
- 在排除分类中,DL算法实现了高灵敏度 (0.0%-0.1%错过查检测的癌症).
- 在规则选中,DL算法分辨了间隔和随后的轮癌症,分别为4.6%-8.2%和5.2%-6.1%.
- 结合DL适应的工作流程 (情景C) 显示出优越的灵敏度 (2.7%的增加) 和非劣质的特异性 (-0.9%的差异) 与双读相比.
结论:
- 深度学习适应的分拣工作流可以显著提高乳房扫描查效率.
- 通过优化工作量和检测率,DL算法提高了乳腺癌查的有效性.
- 这些发现支持将DL整合到常规的乳房学查实践中.


