双视图深度学习用于使用乳房扫描进行增强的乳腺癌查
Samuel Rahimeto Kebede1,2, Fraol Gelana Waldamichael3, Taye Girma Debelee3,4
1Research Development Cluster, Ethiopian Artificial Intelligence Institute, Addis Ababa, 40782, Ethiopia. samuel.rahimeto@aii.et.
Scientific reports
|February 15, 2024
概括
这项研究引入了人工智能模型用于埃塞俄比亚的乳腺癌查,提高了早期检测率. 该模型通过识别异常和优先考虑患者来帮助放射科医生,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是埃塞俄比亚妇女中最常见的癌症,经常被诊断为晚期.
- 乳房影像查对于早期检测是有效的,但需要专家放射科医生,在埃塞俄比亚很少.
研究的目的:
- 开发一种人工智能模型,以帮助放射科医生进行大规模乳腺癌查.
- 改善乳腺异常的早期检测和患者优先安排.
主要方法:
- 一组基于EfficientNet的分类器与YOLOv5相结合,用于可疑的质量检测.
- 整合了一个异常检测模型来增强查.
- 该模型旨在为预测提供解释,并提高灵敏度.
主要成果:
- 该分类器模型实现了F1得分为0.87和灵敏度为0.82.
- 结合YOLOv5可疑质量检测,提高了对0.89.9的灵敏度.
- 随着质量检测的增加,F1得分略有下降至0.79.
结论:
- 开发的人工智能模型在帮助像埃塞俄比亚这样资源有限的环境中进行乳腺癌查方面表现有前途.
- 将分类与物体检测 (YOLOv5) 结合起来,可以提高检测异常的灵敏度.
- 需要进一步细化,以平衡灵敏度和F1评分,以获得最佳的临床效用.
