结构化多式乳房超声波报告的AI-Powered合成 整合放射科医生注释和深度学习分析

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 乳腺癌是全球女性的主要健康问题.
• B模式超声波 (US) 是早期发现乳腺癌的关键,非侵入性工具.
• 手动生成乳房美国报告对放射科医生来说是耗时的.

研究的目的:

• 开发和评估一个半自动的方法来简化乳腺美国报告生成.
• 为了减少放射科医生的报告负担,允许更多的时间来照顾病人.
• 将深度学习分析与放射科医生注释集成为全面的报告.

主要方法:

• 一种半自动方法,结合放射科医生的注释和深度学习分析多式联络美国图像.
• 主要模块:使用视觉特征 (ICVF) 的图像分类,通过深度学习 (TCDL) 的类型分类,以及自动报告结构和编译 (ARSC).
• 使用DenseNet-121对乳腺组织硬度进行分类 美国剪波弹性图像 (SWE模式).

主要成果:

• 将平均报告生成时间缩短到3.8分钟.
• 在匹配可疑群众的地面真相报告方面取得了完美的准确性.
• 深度学习模型实现了0.865准确度,0.868精度,0.847回忆,0.856F1得分,以及SWE模式图像分类的0.92AUC.

结论:

• 拟议的半自动方法显著提高了乳腺美国报告生成的效率.
• 由人工智能驱动的方法提高了准确性,并减少了放射科医生的工作量,从而提高了患者的护理和满意度.
• 这项技术使放射科医生能够更多地关注临床决策和患者互动.