一个人工智能驱动的应用程序的演变为乳房摄影的应用程序

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:

• 实施放射性人工智能 (AI) 面临着由于测试方法不足的挑战.
• 这项研究评估了用于测试和监测商业乳腺癌人工智能模型的综合方法.

研究的目的:

• 评估一种新的,多阶段的方法论的有效性,用于测试和监测乳腺图像AI的性能.
• 通过代开发和反来增强人工智能模型的功能,诊断准确性和技术稳定性.

主要方法:

• 利用了来自112个医疗组织的回顾性和前性多中心数据 (593,365张乳房影像).
• 通过使用功能,校准,技术和临床评估,评估了一个带有ResNet-50骨干的更快R-CNN神经网络.
• 集成开发人员,测试人员和放射科医生之间的持续反循环,用于代AI模型更新.

主要成果:

• 观察到显著的性能改善:AUC增加了24.7% (0.73至0.91),精度增加了15.6% (0.77至0.89),灵敏度增加了37.1% (0.62至0.85),特异性增加了10.7% (0.84至0.93).
• 技术缺陷从9.0%降至1.0%,临床评估得分从63.4提高到72.0.
• 人工智能解决方案在经过2年9个月的测试后被整合到强制医疗保险系统中.

结论:

• 基于生命周期的测试方法在AI软件增强和临床集成方面被证明是有效的.
• 关键的成功因素包括定义的要求,持续的测试,系统的反和前性监测.
• 这种方法有助于人工智能可靠地应用于乳房学和潜在的其他放射学应用.