间隔乳腺癌的乳房扫描分类和人工智能性能

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 欧洲的研究表明,人工智能 (AI) 可以减少间歇性乳腺癌 (IBC).
• 在美国,关于IBC分类和AI有效性的研究有限,特别是在数字乳腺图解合成 (DBT) 和年度查方面.
• 这项研究旨在通过乳房扫描对IBC进行分类,并在12个月的查间隔内评估AI的性能.

研究的目的:

• 通过乳房扫描识别的间隔乳腺癌 (IBCs) 的分类.
• 评估深度学习人工智能工具在标记和本地化IBC的有效性.
• 分析AI性能与不同IBC分类和查方式 (DM,DBT) 相比.

主要方法:

• 从2010年至2019年对184,935张查性乳房影像 (DM和DBT) 的回顾性分析.
• 乳腺放射学家对148种间隔性乳腺癌 (IBC) 的鉴定和分类.
• 应用一个深度学习的人工智能工具,将风险分数分配给负查乳房影像,并评估其标记和定位的准确性.

主要成果:

• 在148个IBC中,26%是最小标志-可起诉,24%是隐秘,22%是最小标志-不可起诉.
• 人工智能最常标记的考试是错过阅读错误 (90%) 和最小的可采取行动的标志 (89%).
• 与非可见类型 (0-50%) 相比,AI在定位乳房图可见的IBC (35-68%) 的准确性更高.

结论:

• 人工智能工具可以有效地标记乳房显微区间乳腺癌 (IBCs),包括那些错过或最小迹象的乳腺癌.
• 在可见的IBC类型中,AI在本地化的准确性明显优于隐性或真实间隔癌症.
• 研究结果表明,人工智能有可能在年度查计划中提高对某些IBC的早期检测.