人工智能驱动的成像生物标志物基于乳腺癌风险预测的乳腺扫描
Eun Kyung Park1, Hyeonsoo Lee2, Minjeong Kim2
1Department of Radiology, We Comfortable Clinic, Seoul 07327, Republic of Korea.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
一个新的人工智能 (AI) 模型使用乳房影像准确预测乳腺癌风险. 这种人工智能模型显示了改善早期检测的潜力,并且优于传统的风险评估工具.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的乳腺癌风险预测对于早期检测和个性化查策略至关重要.
- 现有的临床风险模型在预测短期乳腺癌风险方面存在局限性.
- 深度学习算法在分析医疗图像以评估风险方面表现有前途.
研究的目的:
- 开发和验证人工智能 (AI) 模型,用于使用乳腺图像进行乳腺癌风险预测.
- 评估AI模型在预测1-5年乳腺癌风险方面的可行性和性能.
- 将AI模型的性能与已建立的临床风险模型 (Tyrer-Cuzick, Gail) 和最先进的深度学习算法 (Mirai) 进行比较.
主要方法:
- 通过对21,438名女性进行的36,995次乳房镜检查,训练了一种深度学习模型.
- 人工智能模型的可行性是使用乳房影像和临床数据来确定的.
- 使用C指数和接收器运行特征曲线 (AUC) 下的面积来评估性能,用于1-5年的风险预测.
- 外部验证对16894个独立的乳房造影进行了验证.
主要成果:
- 人工智能模型的C指数为0.76,AUC为0.78至0.90,用于1-5年的风险预测.
- 与泰勒-库兹克 (AUC:0.57) 和盖尔 (AUC:0.52) 模型相比,AI模型显示出明显更高的AUC (p < 0.001).
- 人工智能模型的性能与Mirai深度学习算法相当.
结论:
- 开发的深度学习人工智能模型显示了准确预测乳腺癌风险的巨大潜力.
- 使用人工智能对乳房影像和成像生物标志物的分析可以增强风险评估能力.
- 这种人工智能模型比传统方法提供了有前途的进步,用于识别患乳腺癌高风险的女性.
更多相关视频
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
22.5K
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
