一个深度学习决策支持工具,以改善风险分层和减少BI-RADS中的不必要的活检 4 乳房影像
Chika F Ezeana1, Tiancheng He1, Tejal A Patel1
1From the Department of Systems Medicine and Bioengineering, Houston Methodist Neal Cancer Center, Houston Methodist Hospital, Houston, Tex (C.F.E., T.H., L.W., S.T.C.W.); Houston Methodist Neal Cancer Center, Houston Methodist Hospital, Houston, Tex (J.E., J.C.C.); Departments of General Oncology (T.A.P.), Health Services Research (Y.C.T.S., B.K., I.W.P.), and Radiology (D.S., W.T.Y.), University of Texas MD Anderson Cancer Center, Houston, Tex; University of Texas Health Science Center, San Antonio, Tex (V.K., M.E., E.B., P.M.O., K.A.K.); University of the Incarnate Word School of Osteopathic Medicine, San Antonio, Tex (H.S.); Huntsman Cancer Institute, University of Utah, Salt Lake City, Utah (A.L.C., K.K.); and Department of Radiology, Houston Methodist Hospital, Weill Cornell Medicine, 6670 Bertner Ave, Houston, TX 77030 (S.T.C.W.).
智能增强乳腺癌风险计算器 (iBRISK) 准确预测 BI-RADS 4 乳腺癌病变中的恶性病变. 这种AI工具可以减少不必要的活检和相关成本,提高乳腺癌查效率.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
- 医疗决策支持系统 医疗决策支持系统
背景情况:
- 乳腺癌的诊断依赖于对BI-RADS类别4病变的准确风险评估.
- 良性病变的过度活检导致医疗保健成本增加和患者焦虑.
- 现有的风险计算器在分层恶性瘤概率方面可能缺乏准确性.
研究的目的:
- 评估智能增强乳腺癌风险计算器 (iBRISK) 在多中心患者数据集上的性能.
- 评估iBRISK在预测BI-RADS 4病变恶性病变方面的准确性.
- 为了确定iBRISK.所促进的潜在的成本节约和减少不必要的活检.
主要方法:
- 使用临床和乳房学数据的深度学习开发的iBRISK在一个独立的多中心数据集上进行了测试.
- 分析了4209名BI-RADS 4病变的妇女的数据.
- 评估了iBRISK在风险分层和恶性瘤概率 (POM) 估计中的精度,以及其作为连续预测器的性能.
主要成果:
- 该iBRISK模型实现了89.5%的准确度和0.93的AUC,具有100%的灵敏度和81%的特异性.
- 恶性瘤 (POM) 的低概率和高概率组显示出明显的恶性瘤率 (0.16%对 85.9%).
- 作为连续预测器,iBRISK的AUC为0.97,潜在的成本节约超过4.2亿美元.
结论:
- 在BI-RADS 4病变中,iBRISK对恶性瘤预测具有很高的敏感性.
- 该工具可能会在高达50%的低或中度POM患者中避免活检.
- iBRISK提供了一种有前途的方法来降低与活检相关的成本,并提高乳腺癌查的诊断准确性.


