乳腺病变的可解释性诊断在超声波成像中使用深度多阶段推理
Kaixuan Cui1,2, Weiyong Liu3, Dongyue Wang1,2
1School of Management, Hefei University of Technology, Hefei 230009, Anhui, People's Republic of China.
Physics in medicine and biology
|October 14, 2024
概括
本研究引入了一种深度多阶段推理方法 (DMSRM),用于可解释的乳腺癌查. 该方法提高了人机协作乳腺损伤评估的诊断准确性和透明度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳房超声波对于癌症查至关重要,但病变诊断需要可解释性.
- 目前的方法在辅助诊断推理中缺乏透明度.
- 在乳腺损伤评估中加强人机协作是临床需求.
研究的目的:
- 开发一种深度多阶段推理方法 (DMSRM),用于解释乳腺病变的辅助诊断.
- 提高人工智能在人机协作乳腺癌诊断中的可用性.
- 提供个人和整体乳腺成像报告和数据系统 (BI-RADS) 评估类别.
主要方法:
- DMSRM采用两阶段的方法:个体乳腺-RADS评估网络 (IBRANet) 进行特征提取和BI-RADS评估,然后进行证据推理 (ER) 进行不确定信息融合和整体BI-RADS评估.
- 从超声波图像中,IBRANet分析了病变的特征,如边缘,轮,回声性,化和血管性.
- ER整合了个别评估,以提供最终的,整体的BI-RADS分类.
主要成果:
- 在个人BI-RADS评估中,IBRANet取得了很高的准确性:边缘 (0.9491),轮 (0.9466),回声性 (0.9293),化 (0.9234) 和血管性 (0.9625).
- 在ER阶段,整体BI-RADS评估的准确度为0.8502.
- 使用DMSRM进行人机协作诊断,与独立诊断相比,放射科医生的积极预测值,灵敏度和AUC显著改善.
结论:
- 拟议的DMSRM为乳腺损伤诊断提供了一个透明和可解释的推理过程.
- 在BI-RADS评估中,DMSRM表现出强大的能力,提高了临床实用性.
- 该方法有效支持人机协作诊断,与改善乳腺癌查的临床要求保持一致.
