基于多式成像的深度学习放射学,用于区分良性和恶性乳腺瘤

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:

• 准确区分良性和恶性乳腺瘤对于有效的患者管理至关重要.
• 多模式成像为乳腺病变的特征提供了补充信息.

研究的目的:

• 开发和评估一个使用多式成像 (超声波,乳房影像,MRI) 的深度学习放射学模型,以区分良性和恶性乳腺瘤.
• 为了比较传统放射学,深度学习放射学和特征融合策略的性能.

主要方法:

• 追溯分析了322名患有经遗传学证实乳腺瘤的患者的多式成像数据.
• 开发传统的放射性,深度学习放射性和特征融合模型.
• 使用集成和堆叠策略对七个分类器 (SVM,KNN,随机森林,额外树木,XGBoost,LightGBM,LR) 的评估.

主要成果:

• 使用组合和堆叠的晚期融合策略实现了最高的精度 (0.968),AUC (0.997) 和特异性 (1.000).
• 深度学习放射学与堆叠融合产生了高精度 (0.937) 和灵敏度 (1.000).
• 早期的超声波,乳房影像和MRI融合实现了传统放射学和深度特征的最高灵敏度 (1000).

结论:

• 将深度学习和放射性特征与多模式图像相结合,显示了乳腺瘤分化的巨大潜力.
• 多模式成像,特别是超声波,乳房影像和MRI组合,为改善诊断性能提供了宝贵的信息.
• 开发的深度学习放射性模型为乳腺瘤的分类提供了增强的诊断能力.