使用深度学习提高乳腺密度评估的准确性:一个多中心,多读者研究

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
• 瘤学和癌症研究研究.

背景情况:

• 乳房扫描乳腺密度是乳腺癌的一个关键风险因素.
• 放射科医生目前的视觉评估具有显著的观察者间变异性.
• 不一致的密度评估影响乳腺癌风险分层.

研究的目的:

• 开发和评估基于深度学习的自动检测算法 (DLAD),用于自动评估乳腺密度.
• 为了比较DLAD与经验丰富的放射科医生的性能.
• 提高乳腺密度评估的准确性和一致性.

主要方法:

• 使用了122个全场数字造乳镜研究 (488张图像) 的多中心数据集.
• 两个经验丰富的放射科医生在72项研究中建立了基本真理.
• DLAD的表现与五名独立放射科医生进行了比较,使用准确度,F1分数,精度,回忆和科恩的卡帕.

主要成果:

• DLAD实现了0.819的精度和0.708.70的科恩的卡帕.
• 该算法的性能在几个指标上与个人放射科医生的性能相匹配或超过.
• 统计分析显示,DLAD和放射科医生之间的准确性没有显著差异.

结论:

• 在乳腺密度评估方面,DLAD表现出强大而有竞争力的表现.
• 使用DLAD进行自动评估可以提高与手工方法相比的准确性和一致性.
• 这种算法提供了一个可靠的工具来改善乳腺癌查结果.