在乳腺MRI中对AI细分和协调的跨站点验证
Yu Huang1,2, Nicholas J Leotta1, Lukas Hirsch1
1Department of Biomedical Engineering, The City College of the City University of New York, 160 Convent Ave, New York, NY, 10031, USA.
Journal of imaging informatics in medicine
|September 25, 2024
概括
一个新的深度学习模型与放射科医生的性能相匹配,在MRI扫描中对多个部位进行乳腺癌细分. 这种基于大量数据进行训练的人工智能工具提供了可重现的结果,以改善癌症检测和诊断.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 在瘤学瘤学.
背景情况:
- 在MRI中精确细分乳腺癌对于诊断和治疗计划至关重要.
- 跨不同临床场所的细分性能变化对AI模型通用性构成挑战.
研究的目的:
- 通过使用3D U-Net架构验证自动化乳腺癌细分模型的跨站点性能.
- 将AI模型的细分精度与经验丰富的放射科医生的细分精度进行比较.
主要方法:
- 一个3D U-Net模型被训练在一个大数据集的动态对比增强轴向MRI从站点1.
- 评估了来自三个临床场所的测试数据和普通公共数据的性能,放射科医生细分作为基本真相.
- 对于第3站点的数据,采用了带有亲缘输入层的监督协调技术.
主要成果:
- 人工智能模型实现了与放射科医生在Sites 1, 2和常见公共数据 (中位数从0.86到0.93不等) 中可比拟的细分性能.
- 对于第3站点,微调模型的结果是与放射科医生 (迪斯分数0.88比0.89) 一致的性能.
- 在常见的测试数据上,人工智能模型在数量上超过了12位放射科医生中的11位.
结论:
- 通过一种新的监督协调技术增强的深度学习模型,在跨站点MRI乳腺癌细分中展示了放射科医生级别的性能.
- 这项研究强调了可复制人工智能工具的潜力,以帮助放射性评估.
- 公开发布的代码和权重旨在促进放射学AI的进一步发展.
