利用先前的机器智能知识来改善癌症早期检测的病变诊断

科学领域:

• 医学成像和机器智能机器智能
• 放射学和瘤学 放射学和瘤学

背景情况:

• 对于病变诊断的医学图像的专家解释可能并不总是与体内组织病理学一致.
• 当前的机器学习 (ML) 模型可以复制专家的解释,但也可能与基础真相分歧.

研究的目的:

• 调查导致专家/ML解释与实际组织病理学之间的差异的因素.
• 通过将先前的知识整合到ML模型中来提议和评估解决方案,以提高病变的特征.

主要方法:

• 开发了一种ML方法,整合了先前的知识,特别是CTX射线能量频谱和组织弹性,用于病变诊断.
• 在低剂量计算机断层扫描 (LdCT) 中专注于不确定的病变 (IDL),用于早期癌症检测.
• 从图像对比差异中提取病理特征,考虑全CT频谱.

主要成果:

• 拟议的方法在肺结节和结直肠多的LdCT图像上实现了0.98±0.03的接收器操作特征曲线 (AUC) 下的高面积.
• 与现有的最先进的ML模型相比,显示出显著的改进,ML模型通常达到0.70.7左右的AUC.
• 病理学报告作为恶性或良性的基本真相.

结论:

• 将先前的知识整合到机器智能中可以提高病变诊断,并解决专家对不确定的病变解释的模两可.
• 这种方法通过提供更准确的诊断见解来提高LdCT查早期癌症的有效性.