卷积神经网络的临床应用,用于对乳房影像进行质量分析
Lin Li1, Xiaohui Lin2, Tingting Liao1
1The Second Clinical Medical College, Jinan University, Shenzhen, China.
Quantitative imaging in medicine and surgery
|December 18, 2023
概括
一个深度学习系统改善了乳腺癌在乳房影像中的大规模检测,特别是在密集的乳房中. 这种人工智能工具协助放射科医生,减少错误诊断,帮助早期发现乳腺癌.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 乳房摄影对于早期发现乳腺癌至关重要.
- 密集的乳腺组织可以掩盖质量,导致虚假阴性.
- 需要客观的工具来提高乳房影像解释的准确性.
研究的目的:
- 评估基于卷积神经网络 (CNN) 的深度学习 (DL) 系统,用于亚洲女性的乳腺癌大规模检测和分类.
- 为了比较DL系统的性能与初级和高级放射科医生.
- 评估乳腺密度对检测准确性的影响.
主要方法:
- 追溯分析了324张乳房图片,其中618张是质量.
- 由初级放射科医生和高级放射科医生进行独立检测和分类.
- 基于CNN的DL系统对相同图像的评估.
- 放射科医生与DL系统之间的检测灵敏度,分类准确度和AUC的比较.
主要成果:
- 该DL系统实现了比初级放射科医生 (78.0%和84.0%) 更高的检测灵敏度 (86.2%).
- 乳腺密度显著影响了初级放射科医生的检测,但并没有影响DL系统的检测.
- 对于质量分类,DL系统的AUC与高级放射科医生相比,优于初级放射科医生.
结论:
- 基于CNN的DL系统提高了质量检测的准确性,特别是在密集的乳房.
- 这种人工智能工具可以帮助经验较少的放射科医生,可能减少错过诊断.
- DL系统在改善乳腺癌查和诊断方面显示出临床实用性.
