周围的损伤区域在区分可疑的乳房化病变,特别是对比度增强的乳房造影
Kun Cao1, Fei Gao2, Rong Long1
1Department of Radiology, Peking University Cancer Hospital and Institute, Key laboratory of Carcinogenesis and Translational Research (Ministry of Education), Beijing, China.
Journal of X-ray science and technology
|February 2, 2024
概括
采用机器学习模型的对比增强乳房扫描 (CEM) 使用结合近化区域的机器学习模型显著改善了恶性乳房化的检测,帮助放射科医生进行诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 增强对比度的乳房显微镜 (CEM) 用于可疑的只有化的乳房病变.
- 常规的乳房影像可能会呈现模两可的化,需要进一步的诊断调查.
研究的目的:
- 评估对比度增强乳房显微镜 (CEM) 中近化区域的附加值,以区分恶性与良性乳房化.
- 评估机器学习 (ML) 模型在使用内部和周围化区域的放射性特征来分类乳腺化时的性能.
主要方法:
- 基于机器学习的计算机辅助系统被用来检测和从CEM图像中分组化.
- 从低能 (LE) 和重组 (RC) 图像中提取了放射性特征,包括周围化区域 (1-9毫米扩展).
- 机器学习模型被训练来将病变分类为恶性或良性,诊断矩阵与主观放射科医生读数结合评估.
主要成果:
- 扩展边界的重组 (RC) 模型表现出明显更好的性能 (AUC 0.89),而不是低能耗 (LE) 模型 (AUC 0.81).
- 在RC模型中,采用3毫米周围化边界延伸 (AUC=0.89) 的RC模型实现了最佳性能.
- 将3mm边界RC模型与放射科医生解释相结合,导致灵敏度为0.871和负预测值为0.937.
结论:
- 机器学习模型在CEM上整合了内部和周围化区域,有望提高放射科医生的预测可疑乳腺化的恶性瘤的能力.
- 包括近化区域在内显著提高了CEM上乳腺化的诊断准确性.
- 这种方法有助于对乳腺病变的差异诊断,这些病变仅表现为化.
