深度学习模型对预测乳腺成像报告和数据系统3和4A乳房扫描病变的价值
Xiaohui Lin1, Tingting Liao1, Yuting Yang1
1Department of Radiology, Shenzhen People's Hospital, The Second Clinical Medical College, Jinan University, Shenzhen, China.
Quantitative imaging in medicine and surgery
|May 19, 2025
概括
一个深度学习 (DL) 模型改善了乳腺成像报告和数据系统 (BI-RADS) 3和4A类别的乳腺造影解释. 这种人工智能工具提高了初级放射科医生的诊断准确度,减少了错过的诊断和不必要的活检.
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:
- 乳腺成像报告和数据系统 (BI-RADS) 类别3和4A病变的乳房图像解释呈现了观察者间的变化.
- 这种变异性可能导致BI-RADS 3病变的诊断不足,并对良性BI-RADS 4A病变进行不必要的活检.
研究的目的:
- 评估基于乳房镜的深度学习 (DL) 模型的诊断价值.
- 评估DL模型对放射科医生的决策对区分BI-RADS 3和4A病变的影响.
主要方法:
- 追溯分析824名患者的846个乳房乳房扫描检测的乳房病变 (BI-RADS 3和4A).
- 六位乳腺成像专家独立审查了带有和没有DL模型辅助的乳房影像.
- 用接收器操作特征 (ROC) 曲线和曲线下的面积 (AUC) 来评估诊断性能.
主要成果:
- DL模型在区分BI-RADS 3和4A病变时获得了0.74的AUC.
- DL模型辅助显著改善了初级放射科医生的AUC,达到0.74-0.77 (P<0.001).
- 高级放射科医生也显示,随着DL的辅助,AUC有所改善,尽管增加在统计学上并不显著.
结论:
- 基于乳房镜的DL模型显著提高了BI-RADS 3和4A病变的诊断性能.
- DL模型有效地帮助初级放射科医生,减少错过的诊断和不必要的活检.
- 人工智能在乳房镜解释中的整合有望提高诊断准确性和患者的治疗结果.
