机器学习可以根据临床和超声波特征可靠地预测乳腺病变的恶性病变
I P C Buzatto1, S A Recife2, L Miguel2
1Department of Obstetrics and Gynecology - Breast Disease Division, Ribeirão Preto Medical School, University of São Paulo, Ribeirão Preto, Brazil.
Breast cancer research and treatment
|July 13, 2024
概括
这项研究开发了一种机器学习模型,使用超声波数据准确预测乳腺癌恶性病变,显著减少对良性病变的不必要活检,同时缺少不到1%的癌症.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 乳腺病变的诊断依赖于成像和活检.
- 超声波 (美国) 是一个关键的成像模式.
- 准确的恶性瘤预测至关重要,以避免不必要的侵入性手术.
研究的目的:
- 使用美国数据开发可靠的机器学习模型,用于预测乳腺病变恶性瘤.
- 优化负预测值 (NPV) 以尽量减少不必要的乳腺活检.
- 评估模型在区分良性病变和恶性病变方面的表现.
主要方法:
- 分析了来自1526个乳腺病变的临床和超声波数据.
- 机器学习模型被训练使用信息属性,如损伤形状,边缘和血管.
- 选择了XGBoost算法,并对403个新的病变进行了验证.
主要成果:
- 关键预测因素包括病变形状,边缘,方向,大小,内部血管阻力指数,患者年龄和可触摸的块存在.
- 最终的XGBoost模型实现了98.1%的NPV和1.9%的虚假负率.
- 该模型可以避免60.4%的良性病变活检,在测试组中缺少只有0.8%的恶性病例.
结论:
- 机器学习模型可以可靠地预测美国识别的乳腺病变中的恶性瘤.
- 开发的模型显著减少了不必要的活检,同时保持了癌症检测的高准确性.
- 这种方法有助于医生在怀疑乳腺病变的临床决策.
