自动乳腺密度评估,用于全场数字乳房显微镜和数字乳房显微镜合成

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺扫描密度是乳腺癌的一个关键风险因素.
• 目前的评估依赖于放射科医生在乳腺成像报告和数据系统 (BI-RADS) 中的解释.
• 自动密度评估对于全场数字乳房造影 (FFDM) 和数字乳房断层合成 (DBT) 都是必要的.

研究的目的:

• 开发和验证用于自动化BI-RADS密度估计的深度学习模型.
• 确保该模型适用于FFDM和DBT成像模式.
• 为临床使用和风险预测提供一致可靠的工具.

主要方法:

• 一个深度学习模型被训练在9,714名女性的前队列上.
• 该模型的性能在一个由18360名女性组成的外部验证队列中进行了评估.
• 根据放射科医生分配的BI-RADS密度类别,使用科恩的卡帕统计学来评估Agreement.

主要成果:

• 自动化模型显示与放射科医生的评估有很大的一致性.
• 在外部验证中,对FFDM的同意率为81% (B) 和77% (C),对DBT的同意率为83% (B) 和74% (C).
• 科恩的卡帕值为FFDM的0.72和DBT的0.71,表明强烈的同意.

结论:

• 一个深度学习模型为FFDM和DBT提供了一致和自动化的BI-RADS密度估计.
• 该软件很容易实现临床使用,增强风险预测.
• 这种工具可以减少观察者之间的变化,标准化用于查和风险分层的密度评估.