亚组评价以了解基于深度学习的乳房学感兴趣区域的分类中的绩效差距
MinJae Woo1, Linglin Zhang2, Beatrice Brown-Mulry3
1Department of Public Health Sciences, Clemson University, Clemson, South Carolina, United States of America.
PLOS digital health
|April 8, 2025
概括
对于乳房扫描的深度学习模型的整体准确性很高,但对于特定的患者子组可能表现不佳. 诸如种族和乳腺密度等因素会影响虚假阴性和虚假阳性率,这凸显了对子组分析的需要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 深度学习模型越来越多地用于乳房图分析.
- 评估不同患者子组的模型性能对于公平的医疗保健至关重要.
研究的目的:
- 评估深度学习模型在分类感兴趣的乳腺学区域中的性能.
- 在特定的患者子组中识别与亚最佳模型性能相关的人口统计,成像和病理因素.
主要方法:
- 使用了EMory BrEast成像数据集 (EMBED),其中包含340万张乳房影像.
- 经过训练和测试的ResNet152V2卷积神经网络 (CNN) 架构.
- 使用回归模型进行子组分析,以确定绩效差异.
主要成果:
- 该分类模型实现了0.975的AUC和0.927.7的召回.
- 假阴性与白人患者有关,那些从未做过活检的人,以及建筑扭曲.
- 更高的乳腺密度 (BI-RADS C/D) 显著增加了假阳性率.
结论:
- 对于乳房扫描的深度学习模型可能会在患者子组之间显示性能变化.
- 亚组分析对于理解和减轻人工智能驱动的乳房学偏见至关重要.
- 开发公平和可解释的AI模型是提高乳房造影性能和公平性的关键.
