基于机器学习的良性和恶性乳腺病变的歧视在美国:剪切波弹性图的贡献

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:

• 区分良性和恶性乳腺病变对于患者管理至关重要.
• 传统的超声波 (美国) 方法在特征固体乳腺病变 (BLs) 方面存在局限性.
• 放射学和机器学习 (ML) 为基于图像的诊断提供了新的方法.

研究的目的:

• 开发和验证使用B模式US和剪切波弹性图像 (SWE) 的综合放射学和ML方法.
• 为了区分良性和恶性固体乳腺病变 (BLs).
• 将ML模型的性能与专家放射科医生的性能进行比较.

主要方法:

• 对接受B模式US和SWE的BI-RADS2-6BL患者的回顾性分析.
• 用于放射学特征提取的B模式US和SWE图像的手动细分.
• 基于物流回归的ML模型的特征选择和开发.
• 使用曲线下的面积 (AUC) 和马修斯相关系数 (MCC) 的评估.

主要成果:

• 总共分析了427个BL,其中13个是从B模式US和SWE图像中选择的放射特征.
• ML分类器实现了0.768 (训练) 和0.746 (测试) 的AUC,MCC分别为0.403和0.423.
• ML模型的性能优于仅使用B模式US的放射科医生,但当SWE图像也提供给放射科医生时,性能较差.

结论:

• 一种集成B模式US和SWE的ML方法显示出对BL的特征有希望.
• 剪波弹性图 (SWE) 在直接评估中提供了比在放射学管道中更大的临床价值.
• 进一步的研究可能会优化将SWE数据集成到ML模型中,用于乳腺病变的表征.