使用人工智能系统来协助乳腺超声波在密集的乳腺组织中的腺体组织部件的分类
Hongju Yan1, Chaochao Dai1, Xiaojing Xu1
1Department of Ultrasound, Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University, Huansha Road 261, Shangcheng District, Hangzhou, 310006, P. R. China.
Scientific reports
|April 6, 2025
概括
使用ResNet 101模型的人工智能 (AI) 在密集乳房超声图像中显著改善了腺组织组件的分类. 这种人工智能辅助提高了放射科医生的准确性,特别是对于那些经验较少的人来说,有助于更好的诊断.
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:
- 密集的乳腺组织在乳房影像和超声波解释方面存在挑战.
- 精确分类腺组织成分 (GTC) 对于乳腺癌查至关重要.
- 人工智能 (AI) 为改善乳腺成像诊断准确性提供了潜在的解决方案.
研究的目的:
- 评估人工智能驱动的乳房超声波分析模型的有效性,以对密集乳房的GTC进行分类.
- 为了比较不同AI模型的性能及其对放射科医生分类准确性的影响.
- 评估AI在协助经验丰富和非专业放射科医生的实用性.
主要方法:
- 一项前性研究涉及1848名健康女性,她们接受了密集的乳房造影.
- 剩余网络 (ResNet) 101分类和ResNet与完全卷积网络 (ResNet+FCN) 分段模型的培训.
- 在多位放射科医生中使用灵敏度,特异性和正预测值 (PPV) 评估人工智能辅助分类性能.
主要成果:
- 在GTC分类中,ResNet 101模型的表现优于ResNet+FCN模型.
- 人工智能协助显著提高了所有参与放射科医生的分类灵敏度.
- 人工智能显著提高了GTC分类的积极预测值 (PPV),非乳腺放射科医生的显著改善 (p < 0.01).
结论:
- 经过训练的ResNet 101深度学习模型是人工智能辅助乳房超声波分析的可靠工具.
- 人工智能显著提高了区分密集乳腺腺组织组件的准确性.
- 人工智能系统可以有效地支持不同经验水平的放射科医生解释乳房超声波图像.
