通过深度学习模型评估乳腺疾病,使用双模双视超声图像和临床信息

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 乳腺癌仍然是女性癌症死亡的主要原因.
• 精确区分恶性和良性乳腺病变对于有效治疗至关重要.
• 目前的诊断方法严重依赖于放射科医生的解释,这可能会有变化.

研究的目的:

• 开发和评估一个名为BreNet的多模式深度学习模型,用于区分乳腺癌和良性病变.
• 将BreNet的诊断性能与经验丰富的放射科医生进行比较.
• 评估BreNet作为提高放射科医生诊断准确性的辅助工具的影响.

主要方法:

• BreNet是使用多模式深度学习方法开发的.
• 该模型在来自单一机构的10,108张图像上进行了训练,并在来自两个外部中心的3,762张图像上进行了验证.
• 三步评估包括直接比较BreNet与放射科医生,开发BreNet辅助诊断方案,并与现实世界放射科医生性能进行比较.

主要成果:

• 与个人放射科医生相比,BreNet表现出优越的诊断性能,曲线下的面积 (AUC) 为0.996与0.841.841.
• 这项由BreNet资助的计划使放射科医生的AUC从0.841提高到0.934在图像审查中,从0.892提高到0.934在现实世界的测试场景中.
• 人工智能模型显著提高了乳腺癌检测的诊断能力.

结论:

• 多模式深度学习模型BreNet在区分乳腺癌和良性病变方面表现出极高的准确性.
• BreNet 作为一个有价值的工具来增强放射科医生的专业知识,从而改善诊断结果.
• 人工智能在乳腺成像中的整合对提升早期和准确的癌症检测具有重大前景.