在胸部CT上识别放射性显著的偶发性乳腺病变:人工智能的附加值
Sarah P Thomas1, Benjamin Wildman-Tobriner1, Lasya Daggumati2
1Department of Radiology, Duke University Medical Center, 2301 Erwin Rd, Durham, NC, 27710, United States.
Current problems in diagnostic radiology
|June 14, 2025
概括
人工智能 (AI) 算法改善了原始解释放射科医生 (OIR) 错过的放射学上显著的偶然乳腺病变 (RSIBL) 的检测. 一个有针对性的审查过程有效地确定了这些错过的RSIBL,尽管错误阳性增加了.
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:
- 胸部CT扫描中的偶然乳腺病变经常被遗漏.
- 放射性显著的偶发性乳腺病变 (RSIBLs) 需要准确的检测.
研究的目的:
- 评估人工智能算法在检测RSIBL时的效率,这些算法在胸部CT检查中被原始解释放射科医生 (OIR) 遗漏.
- 评估人工智能对检测率和工作流效率的影响.
主要方法:
- 使用视觉分类器 (VC) 和自然语言处理 (NLP) 的AI算法进行胸部CT检查的回顾性分析.
- 两个主要读者对被标记的潜在RSIBL进行独立审查,由第三个读者进行裁决.
- 统计评估大小和边缘遮蔽差异的错过与确定的RSIBLs.
主要成果:
- 人工智能算法识别了OIR错过的RSIBL的90.8%,显著增加了检测率.
- 与OIR (3.4%) 相比,AI-VC算法具有更高的假阳性率 (67.9%).
- 由OIRs错过的RSIBLs比识别的病变 (3.0厘米) 小 (1.4厘米).
- 与完全双读方法相比,人工智能辅助的工作流减少了97.3%的图像审查.
结论:
- 基于人工智能的方法可以在胸部CT扫描上提高RSIBLs的检测.
- 使用人工智能的有针对性的审查过程可以有效地检测错过的RSIBL,管理增加的假阳性.
- 人工智能有望改善放射学中的偶然发现检测.
