使用人工智能读取密集乳房造影的队列特定诊断错误的放射性分析
Xuetong Tao1, Ziba Gandomkar1, Tong Li2,3
1Discipline of Medical Imaging Science, Faculty of Health Sciences, Western Ave, Camperdown NSW 2050, Australia.
The British journal of radiology
|October 9, 2024
概括
基于放射学的人工智能有效地识别了放射学家在密集乳房影像中的解释错误. 清晰的图像特征在中国和澳大利亚读者队伍中预测了错误的阳性和负面.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 放射科医生在解释密集查性乳房造影时面临着挑战.
- 准确的解释对于早期发现乳腺癌至关重要.
研究的目的:
- 研究基于放射学的人工智能 (AI),用于识别放射学家在密集乳房影像中的解释错误.
- 在不同的读者群体中分析与虚假阳性和虚假阴性相关的独特放射性特征.
主要方法:
- 来自中国和澳大利亚的36名放射科医生解读了60张密度高的乳房影像.
- 从可疑和恶性区域提取了放射性特征.
- 随机森林模型被训练来识别容易出错的区域.
主要成果:
- 人工智能模型在各个队列和观点中显示出不同的表现 (例如,中国队列虚假阳性的AUC:0.864 CC,0.829 MLO).
- 显著的放射性特征,如Gabor和最大响应过器输出,与假阳性有关.
- 强度变化和粗的纹理与虚假阴性相关.
结论:
- 基于放射学的人工智能管道有效地识别了特定放射科医生队伍中常见的解释错误.
- 这种方法突出了独特的图像特征,这些特征有助于在密集乳房扫描解释中诊断错误.
