基于使用深度学习的临床乳房超声波图像,预测乳房扫描乳房密度:一个回顾性分析
Arianna Bunnell1,2, Dustin Valdez2, Thomas K Wolfgruber2
1Department of Information and Computer Sciences, University of Hawai'i at Mānoa, POST Bldg, 1860 East-West Rd, Honolulu, HI, 96822, USA.
Lancet regional health. Americas
|April 28, 2025
概括
人工智能可以从超声波图像中预测乳腺密度,为乳腺癌风险评估提供了宝贵的工具. 这种人工智能衍生的密度显示出与乳房镜相似的预测能力,特别是在服务不足的地区.
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:
- 乳腺密度是一个关键的乳腺癌风险因素,通常使用乳房影像 (乳腺影像报告和数据系统 - BI-RADS) 进行评估.
- 乳房超声波是一种有价值的查工具,特别是在资源有限的环境中,但尚未用于告知乳房密度风险模型.
- 这项研究探讨了利用人工智能从超声波图像中预测BI-RADS乳腺密度.
研究的目的:
- 评估人工智能 (AI) 深度学习模型,从临床乳房超声波图像中预测乳房密度.
- 为了在乳腺癌风险预测中比较超声波的AI衍生乳腺密度与传统的乳腺学BI-RADS密度.
- 评估AI驱动的乳腺密度估计在各种临床环境中的超声波的实用性.
主要方法:
- 开发了深度学习和机器学习模型,通过超声波图像和图像直方图形来预测乳腺密度.
- 一个追溯的数据集405120乳房超声波图像从14066名妇女被用于培训,验证和测试.
- 在一个5年乳腺癌风险模型中,AI衍生乳腺密度的预测性能与临床BI-RADS密度进行了比较.
主要成果:
- 人工智能模型实现了乳腺密度分类的接收器运行特征曲线 (AUROC) 下面面积为0.854,优于其他机器学习方法.
- 人工智能衍生的乳腺密度和临床乳房扫描密度显示,对5年乳腺癌风险的预测能力相似 (AUROC 0.606对0.599).
- 人工智能模型在估计BI-RADS乳腺密度的超声波图像中表现出高准确性.
结论:
- 用AI分析的乳房超声波成像可以准确估计乳房密度.
- 从超声波中获得的AI衍生的乳腺密度提供了与乳腺扫描密度相比较的乳腺癌风险预测.
- 这种方法对乳腺癌风险评估具有重大潜力,特别是在乳腺扫描访问有限的地方.
