在早期乳腺癌中检测BI-RADS 3病变的恶性病变的两阶段增强

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺成像报告和数据系统 (BI-RADS) 3类病变在良性和恶性发现之间存在微妙的差异.
• 恶性BI-RADS 3病变很少见,由于数据比例不平衡,这可能会给诊断带来挑战.

研究的目的:

• 提高恶性BI-RADS 3病变的检测率,使用乳房超声波图像上的深卷积网络.
• 为了提高诊断准确性,在具有挑战性的病例中早期检测乳腺癌.

主要方法:

• 来自1,096名患者的1,275个乳腺病变的数据集进行了策划,通过活检或长期随访将病变分类为良性或恶性.
• 一种包括恶性瘤特征和数据增强在内的两步增强策略应用于双分支ResNet50模型 (双ResNet50).
• 模型的性能与四位经验丰富的放射科医生进行了对比.

主要成果:

• 双ResNet50模型实现了接收器运行特征曲线 (AUC) 下的面积为0.881 (SW测试集) 和0.880 (TS测试集).
• 检测恶性病变的灵敏度在SW试验组中为77.8%,在TS试验组中为71.4%.
• 与经验丰富的放射科医生相比,深度学习模型表现出卓越的诊断性能.

结论:

• 拟议的增强方法有效地提高了BI-RADS 3病变中乳腺癌检测深度学习分类模型的性能.
• 这种方法显示出改善诊断准确度和促进临床实践中及时调整治疗的巨大潜力.
• 深度学习模型可以帮助更好地管理BI-RADS 3病变,可能减少不必要的活检并改善患者的治疗结果.