结合深度学习Grad-CAM和放射学,用于DBT上的架构扭曲的自动定位和诊断
Xiao Chen1, Yang Zhang2, Jiejie Zhou3
1Department of Radiology, First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China (X.C., J.Z., Y.P., Y.S., G.C., M.W.).
Academic radiology
|November 4, 2024
概括
使用深度学习的人工智能可以检测数字乳腺图莫合成的架构扭曲,性能与手动分析相当. 这种人工智能方法显示出改善乳腺癌诊断的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在数字乳腺图解合成 (DBT) 上检测架构扭曲 (AD) 提出了诊断挑战.
- 人工智能 (AI) 和深度学习 (DL) 为提高诊断准确性提供了潜在的解决方案.
研究的目的:
- 在DBT上应用AI与深度学习算法来检测架构扭曲 (AD).
- 为了利用放射学来分类AD和估计恶性瘤的概率.
- 将人工智能生成的感兴趣区域 (ROI) 的诊断性能与手动划分的ROI进行比较.
主要方法:
- 使用了500个AD病例的DBT报告上的数据集,其中292个用于培训,208个用于测试.
- 深度学习 (DL) 与梯度加权类激活映射 (Grad-CAM) 被用于自动化异常本地化和ROI生成.
- 对DL生成的和手动划分的ROI进行了放射学分析,以估计恶性瘤的概率.
- 病例被分为纯AD和与其他特征相关的AD (质量,高密度,化).
主要成果:
- 总体恶性瘤发生率为57%. 纯AD与其他特征 (76.8%) 相关的AD相比,纯AD的恶性瘤发病率明显较低 (39.7%).
- 诊断性能曲线下的面积 (AUC) 在手动ROI中为0.82,在测试组中,在DL生成的ROI中为0.84.
- 对于纯粹的AD病例,DL产生的ROI达到0.77的AUC,而与其他特征相关的AD则产生0.86.6的AUC.
结论:
- 深度学习 (DL) 能够有效地检测数字乳腺图解合成 (DBT) 上的架构扭曲 (AD),诊断性能与手动ROI划分相当.
- 人工智能策略在纯AD检测方面表现出有效性,尽管在与其他乳房图像特征相关的AD病例中,性能优越.
