基于机器学习的放射学和深度学习对乳腺损伤分类在乳房摄影中的比较评估

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌是妇女死亡的主要原因,早期通过乳房扫描诊断对生存至关重要.
• 手动解读乳房影像具有挑战性,需要自动化工具来提高准确性和效率.
• 这项研究评估了机器学习 (ML) 放射学与深度学习 (DL) 进行乳腺损伤分类.

研究的目的:

• 为了比较基于ML的放射学和DL模型的诊断性能,用于对乳腺病变进行分类.
• 评估这些自动化方法在辨别乳房影像中的良性和恶性发现方面的有效性.
• 为了确定哪种AI方法为乳腺癌诊断提供了更高的准确性.

主要方法:

• 使用matRadiomics从1219张乳房影像 (CBIS-DDSM数据库) 中提取了放射性特征.
• 线性差异分析 (LDA) 是表现最好的ML模型,在222张图像上进行外部验证.
• 实施了EfficientNetB6深度学习模型进行比较分析.

主要成果:

• 在验证中,LDA达到中等AUC (68.28%的微化,61.53%的质量).
• 外部验证显示了类似的LDA性能 (66.9%的微化,61.5%的质量).
• EfficientNetB6 DL模型的表现明显优于LDA,AUC达到81.52% (微化) 和76.24% (质量).

结论:

• 机器学习放射学表明,从乳房影像中准确诊断乳腺病变的局限性.
• 深度学习,特别是EfficientNetB6,表现出卓越的性能和增强的诊断准确性.
• DL具有显著的潜力,可以帮助临床医生改善乳腺癌诊断和患者管理.