在英国查队伍中用于乳腺癌检测的深度学习算法:作为独立的读者和与人类读者相结合
Sarah E Hickman1, Nicholas R Payne1, Richard T Black1
1From the Department of Radiology, University of Cambridge School of Clinical Medicine, Box 218, Level 5, Cambridge Biomedical Campus, Cambridge CB2 0QQ, United Kingdom (S.E.H., N.R.P., Y.H., A.N.P., M.N., F.J.G.); Department of Radiology, Royal London Hospital, Barts Health NHS Trust, London, United Kingdom (S.E.H.); Department of Radiology, Addenbrooke's Hospital, Cambridge University Hospitals NHS Foundation Trust, Cambridge, United Kingdom (R.T.B., A.N.P., F.J.G.); Engineering and Physical Sciences Research Council Cambridge Mathematics of Information in Healthcare Hub, University of Cambridge, Cambridge, United Kingdom (Y.H.); Peel and Schriek Consulting, London, United Kingdom (S.H.); Department of Radiology, Norfolk and Norwich University Hospital, Norwich, United Kingdom (B.K., A.J.); and University of East Anglia, Norwich, United Kingdom (B.K.).
深度学习 (DL) 算法在哺乳镜查中表现有前途. 在三个DL算法中,有两种算法在单独使用或与人类读者一起使用时实现了非劣质的灵敏度和特异性,保持了准确性,同时可能减少工作量.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 算法在哺乳镜查中显示出潜力,表现优于单读者,并匹配双读性能.
- 在不同的数据集中验证这些算法对于临床采用至关重要.
研究的目的:
- 为了外部验证三种商业深度学习 (DL) 算法的性能作为乳腺图像屏幕阅读器.
- 在独立的英国数据集中评估DL算法的性能,比较独立和人类辅助的读数.
主要方法:
- 从两个英国站点 (2017年数据) 追溯分析了26,722个全场数字乳房造影.
- 包括正常病例与3年的随访和经过鉴定的癌症病例.
- 对三个DL算法 (DL-1,DL-2,DL-3) 的评估与单个人类阅读器和双重阅读器相比,在预设的特异性值下使用灵敏度和特异性.
主要成果:
- 在三个独立的DL算法中,两个算法与单个人类阅读器相比,实现了非劣质的灵敏度.
- 与单个人类阅读器相比,DL算法表现出非劣或优异的特异性.
- 结合DL和人类阅读,与双重阅读相比,实现了非劣质的灵敏度和优异的特异性.
结论:
- 深度学习算法可以作为有效的乳房扫描屏幕阅读器,无论是独立使用还是与人类阅读器一起使用.
- 在乳房造影中使用DL算法有可能保持查准确度,同时减少放射科医生的工作量.
更多相关视频
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018