深度学习应用于扩散权重成像,以区分恶性与良性乳腺瘤,而无损伤细分
Mami Iima1, Ryosuke Mizuno1, Masako Kataoka1
1From the Department of Fundamental Development for Advanced Low Invasive Diagnostic Imaging, Nagoya University Graduate School of Medicine, 65 Tsurumai-cho, Showa-ku, Nagoya 466-8550, Japan (M.I.); Department of Diagnostic Imaging and Nuclear Medicine, Kyoto University Graduate School of Medicine, Kyoto, Japan (M.I., M.K., M.H., Y.N.); A.I. System Research, Kyoto, Japan (R.M.); Kyoto University Faculty of Medicine, Kyoto, Japan (K.T., T.Y.); Department of Diagnostic Radiology, Kyoto City Hospital, Kyoto, Japan (A.M.); Department of Diagnostic Radiology, Kansai Electric Power Hospital, Osaka, Japan (M.H.); e-Growth, Kyoto, Japan (K.I.); and Department of Breast Surgery, Kyoto University Graduate School of Medicine, Kyoto, Japan (M.T.).
人工智能 (AI) 模型,特别是小型二维卷积神经网络 (CNN),在使用扩散权重成像 (DWI) 来区分良性和恶性乳腺瘤方面表现出强的表现. 人工智能模型与放射科医生的精度相匹配,而不需要手动细分.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确区分良性和恶性乳腺瘤对于有效的患者管理至关重要.
- 扩散加权成像 (DWI) 为表征乳腺病变提供了有价值的信息.
- 人工智能 (AI) 有望提高医学成像中的诊断准确性.
研究的目的:
- 评估和比较各种人工智能模型在使用DWI区分良性和恶性乳腺瘤方面的性能.
- 将AI模型的诊断性能与放射科医生的评估进行比较.
- 调查数据增强技术对AI模型性能的影响.
主要方法:
- 对293名患有334个乳腺病变的患者的3T乳腺MRI数据的回顾性分析.
- 在五个b值 (0, 200, 800, 1000, 1500秒/mm2) 的情况下,DWI获取.
- 开发和评估人工智能模型,包括2D CNN,ResNet-18,EfficientNet-B0和3D CNN,并使用ROC分析对放射科医生的表现进行比较分析.
主要成果:
- 在测试数据集中,2D CNN模型的表现优于3D CNN模型 (AUC范围:0.83-0.88与0.75-0.76).
- 一个具有特定数据增强的小型2D CNN实现了0.88的AUC,相当于放射科医生 (AUC:0.86).
- 在小型2D CNN和放射科医生之间,在特异性或灵敏度方面没有发现显著差异.
结论:
- 人工智能模型,特别是小型的2D CNN,可以有效地区分良性与恶性乳腺瘤.
- 这些AI模型为放射科医生提供了可比的诊断性能,而不需要手动细分.
- 人工智能驱动的DWI分析代表了乳腺病变特征的有希望的进步.
