BD-StableNet:一个具有自动病变区域检测功能的深度稳定学习模型,用于预测BI-RADS类别3-4A病变中的恶性病变

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:

• 医学成像中的深度学习提供了非侵入性乳腺癌诊断.
• 对大型数据集的专家注释是耗时的,通常是不可行的.
• 缺乏可解释性阻碍了医学深度学习的采用.

研究的目的:

• 开发一种可解释的深度稳定学习模型,用于检测BI-RADS类别3-4A乳腺病变中的恶性瘤.
• 提高诊断准确性和早期发现乳腺癌的效率.

主要方法:

• 提出了BD-StableNet,这是一个用于自动检测损伤区域的深度稳定学习模型.
• 利用了来自493名患者的3103张乳房超声波图像的回顾性数据集.
• 将BD-StableNet与主流深度学习模型进行比较.

主要成果:

• BD-StableNet实现了高性能:准确度=0.952,AUC=0.982,精度=0.970,回忆=0.941,F1分数=0.955,特异性=0.965. 这就是为什么BD-StableNet可以实现高性能.
• 损伤区域预测和类激活地图证实了模型的解释性.
• 与其他深度学习模型相比,展示了优越的预测性能.

结论:

• BD-StableNet显著提高了BI-RADS 3-4A乳腺病变的诊断准确性和解释性.
• 为乳腺癌诊断提供了一个有前途的非侵入性方法.
• 临床使用可以减少不必要的活检,并改善患者的治疗结果.