基于深度学习的DCE-MRI自动细分用于预测BI-RADS第4类BI-RADS中的损伤性质

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:

• 精确区分乳腺成像报告和数据系统 (BI-RADS) 4类乳腺病变对于患者管理至关重要.
• 在动态对比增强磁共振成像 (DCE-MRI) 中手动细分病变是耗时的,并且受观察者之间的变化影响.
• 深度学习 (DL) 算法为自动化和一致的图像分析提供了潜力.

研究的目的:

• 评估DCE-MRI中基于DL的自动细分的有效性,以区分BI-RADS 4乳腺病变.
• 为了比较基于DL的放射学模型与手动细分和专家放射学家的性能.
• 评估DL对诊断效率和准确性的影响.

主要方法:

• 总共包括了197名患有BI-RADS 4乳腺病变的患者,数据分为培训 (n=138) 和外部验证 (n=59) 集.
• 用DL自动细分和手动划分来细分病变.
• 放射学模型是使用两种细分方法构建的,以预测损伤性质.
• 用曲线下的面积 (AUC) 和精度 (ACC) 来评估模型性能,并与专业放射科医生的评估进行比较.

主要成果:

• 基于DL的自动细分显示出与手动细分的高度一致性 (迪斯系数:0.84±0.11).
• 与专业放射科医生相比,基于DL的放射学模型实现了优异的预测性能 (AUC:0.85).
• DL显著减少了83.2%的细分工作时间,提高了效率.

结论:

• 在DCE-MRI中基于DL的自动细分是分析BI-RADS 4乳腺病变的高度一致和高效的方法.
• DL放射学模型在区分良性病变和恶性病变方面优于专家放射科医生,可能减少不必要的活检.
• 作为临床乳腺癌诊断和治疗规划的辅助工具,DL算法显示出显著的希望.