使用谷歌LeNet深度学习模型来区分基于传统超声波的良性和恶性乳腺质量:系统性审查和元分析
Jinli Wang1, Jin Tong1, Jun Li1
1Department of Ultrasound, the First Affiliated Hospital of Medical College, Shihezi University, Shihezi, China.
Quantitative imaging in medicine and surgery
|October 21, 2024
概括
一个深度学习的GoogLeNet卷积神经网络 (CNN) 模型在传统超声波 (CUS) 图像上显示了高精度的良性与恶性乳腺质量区分. 这种人工智能工具为改善乳腺癌诊断提供了有希望的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性死亡的主要原因之一.
- 早期和准确的诊断对于有效的乳腺癌治疗至关重要.
- 传统的超声波 (CUS) 被广泛使用,但解释可能是主观的,导致错误.
研究的目的:
- 评估谷歌LeNet深度学习卷积神经网络 (CNN) 模型的诊断性能.
- 用CUS图像评估模型区分良性与恶性乳腺质量的能力.
主要方法:
- 在多个数据库 (Embase,PubMed,Web of Science等) 进行了系统的文献搜索. 对于在2023年7月15日之前发表的研究.
- 包括12项使用病理发现作为元分析的黄金标准的研究.
- 使用聚合的灵敏度,特异性,概率比率,诊断几率比率和AUC评估诊断性能.
主要成果:
- 谷歌网络CNN模型显示,聚合灵敏度为0.85和特异性为0.86.
- 积极和负的概率比分分别为6.2和0.17.
- 曲线下的面积 (AUC) 为0.92,表明强大的诊断能力.
结论:
- 谷歌LeNet深度学习模型有效地在CUS图像中区分良性和恶性乳腺质.
- 这种人工智能方法显示了提高乳腺癌诊断准确性的潜力.
