基于人工智能的半自动细分,用于提取乳腺癌中的超声波衍生放射特征:一个前性的多中心研究
Tommaso Vincenzo Bartolotta1, Carmelo Militello2, Francesco Prinzi3,4
1Department of Biomedicine, Neuroscience and Advanced Diagnostics (BiND), University of Palermo, Palermo, Italy. tommasovincenzo.bartolotta@unipa.it.
La Radiologia medica
|May 9, 2024
概括
人工智能 (AI) 可实现半自动细分,用于提取乳腺损伤中的超声波放射特征. 将人工智能与放射科医生评估相结合可能会减少活检,但有可能错过一些癌症.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 焦点乳腺病变 (FBLs) 需要准确的表征.
- 超声波 (US) 影像是FBL评估的一个关键方式.
- 放射学特征可以提高诊断准确度.
研究的目的:
- 评估基于AI的半自动细分的可行性,以提取FBL中的美国衍生型放射性特征.
- 评估AI细分在FBL的表征方面的表现.
- 将人工智能辅助的表征与放射科医生评估进行比较.
主要方法:
- 开发并验证了一个基于人工智能的半自动细分模型,使用来自两个中心的B模式美国图像.
- 在237个FBL上训练了模型,并在115个FBL上验证了模型.
- 对比了人工智能模型,专家放射科医生和使用灵敏度,特异性,PPV和NPV的综合方法的性能.
主要成果:
- 人工智能细分实现了高成功率 (95.7%-96%).
- 单单ML模型的诊断性能较低 (例如,灵敏度为0.544) 与放射科医生相比 (例如,灵敏度为0.933).
- 综合评估改善了性能 (灵敏度为0.756,特异性为0.928),但在检测恶性病变方面显示出了权衡.
结论:
- 基于人工智能的半自动细分是可以从FBL中提取美国放射学特征的.
- 这种技术允许快速和可重复的特征提取.
- 将放射学与美国BI-RADS分类相结合可能会减少不必要的活检,但可能会增加错过癌症的风险.
