在解读乳腺活检的病理学家诊断准确性的机器学习分类
Tad T Brunyé1,2, Kelsey Booth1, Dalit Hendel1
1Center for Applied Brain and Cognitive Sciences, Tufts University, Medford, MA 02155, United States.
Journal of the American Medical Informatics Association : JAMIA
|November 30, 2023
概括
机器学习通过分析数字乳腺活检图像的观看行为,准确地预测病理学家的诊断准确性. 这种方法为培训和临床实践提供了自动反.
科学领域:
- 数字病理学数字病理学
- 机器学习在医学中的应用
- 医学图像分析分析
背景情况:
- 病理学家的诊断准确性对于患者的结果至关重要.
- 数字病理学能够对整个幻灯片图像进行详细分析.
- 了解病理学家的观看行为可以揭示认知过程.
研究的目的:
- 评估使用机器学习来预测病理学家观看行为的诊断准确性的可行性.
- 识别与诊断准确度相关的关键观看行为特征.
- 开发用于数字乳腺活检解释诊断准确性的预测模型.
主要方法:
- 收集了140名病理学家的观看行为数据 (放大,放大) 来评估数字乳腺活检图像.
- 从观看行为中提取了30个特征,并使用了4个机器学习算法.
- 利用随机森林分类器来预测诊断准确度.
主要成果:
- 随机森林模型实现了0.81的测试准确度和0.86的AUC.
- 注意力分布和关注关键区域是重要的预测因素.
- 整合病例级和病理学家级数据进一步提高了分类器的性能.
结论:
- 病理学家查看行为可以预测数字病理学的诊断准确性.
- 开发的模型为自动反和决策支持系统提供了潜力.
- 这些发现对培训,临床实践和认知研究都有影响.


