可通用的深度学习方法用于通过成像技术和自我报告的种族进行乳房图像密度预测
Galvin Khara1, Hari Trivedi2, Mary S Newell2
1Kheiron Medical Technologies, London, UK. galvin@kheironmed.com.
Communications medicine
|February 20, 2024
概括
深度学习准确地预测乳房密度跨成像技术和种族. 这种无偏见的模型增强了对不同人群的乳腺癌查.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺密度是乳腺癌的关键风险因素,可以降低乳房扫描的灵敏度.
- 自动化的深度学习模型可以帮助评估风险,并识别具有挑战性的选案例.
- 这些模型在成像技术和种族中的通用性尚未确立.
研究的目的:
- 开发和评估用于乳腺密度预测的深度学习模型.
- 评估该模型在全场数字乳腺造影 (FFDM) 和2D合成 (2DS) 乳腺造影中的通用性.
- 分析模型在不同种族群体的表现和偏见.
主要方法:
- 利用了来自23,057名参与者的69,697项乳房扫描研究的大型,多样化的数据集.
- 开发了一个深度学习模型,用于四类BI-RADS乳腺密度分类.
- 在FFDM和2DS图像上评估模型性能,包括按种族分类的子组分析.
主要成果:
- 一个在FFDM上训练的模型在FFDM上达到80.5%的准确率,在2DS上达到79.4%.
- 对FFDM和2DS的训练提高了准确度,为这两种技术提高了82.3%.
- 该模型在黑人,白人和亚洲参与者之间展示了无偏见的表现.
结论:
- 对于乳腺密度预测的深度学习模型可以在成像技术和各种种族群体中推广.
- 开发的模型显示,种族子组之间没有实质性的绩效差异.
- 这表明,自动化乳腺密度预测可以在各种临床环境中可靠地应用.
