通过计算机提取的全球放射性特征可以预测放射科医生对查乳房影像异常的第一印象
Somphone Siviengphanom1, Sarah J Lewis1, Patrick C Brennan1
1Medical Image Optimisation and Perception Group, Discipline of Medical Imaging Science, Sydney School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney, NSW 2006, Australia.
The British journal of radiology
|January 24, 2024
概括
全球放射性特征可以预测乳房影像中的全球核心信号. 集群阴影和标准偏差等特定特征是识别高精度图像的关键,有助于乳腺癌查.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 放射科医生利用快速的初始印象,或全球的核心信号 (GGS),来解释乳房影像.
- 了解影响GGS的因素对于提高诊断准确性至关重要.
研究的目的:
- 确定计算机提取的全球放射性特征 (GRF) 是否可以预测GGS.
- 确定驱动GGS的最重要的GRF.
主要方法:
- 130个GRF从4191个尾乳房影像中提取出来.
- 机器学习模型 (随机森林) 被训练来区分高精度图像和低精度图像.
- 模型性能是使用接收器操作特征曲线 (AUC) 下的面积来评估的.
主要成果:
- 之前可见模型获得了最高的AUC (0.84),其次是之前不可见 (0.83) 和正常 (0.82).
- 集群阴影,标准偏差,斜率,曲率和范围被确定为最重要的预测特征.
结论:
- GRF可以准确地将乳房影像分为高质量和低质量类别.
- 这些发现增强了对影响GGS的图像特征的理解,可能改善乳腺癌查和风险预测.
