减少不必要的BI-RADS 4病变活检,基于一个深度学习模型进行乳房扫描
Yuting Yang1, Tingting Liao1, Xiaohui Lin1
1Shenzhen People's Hospital, The Second Clinical Medical College of Jinan University, Shenzhen, China.
Frontiers in oncology
|June 18, 2025
概括
一个深度学习模型准确地识别了乳房成像报告和数据系统 (BI-RADS) 4对乳房镜的良性病变,潜在地减少了40.6%的不必要活检. 这种人工智能工具提高了乳腺癌诊断中的患者安全性和方便性.
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:
- 乳腺成像报告和数据系统 (BI-RADS) 4病变需要活检来区分良性和恶性疾病.
- 不必要的活检会导致医疗费用增加和患者焦虑.
- 深度学习 (DL) 模型在改善医学成像中的诊断准确性方面表现有前途.
研究的目的:
- 为了评估DL模型的诊断性能,用于BI-RADS 4乳房扫描上的病变.
- 评估DL模型在减少不必要的乳腺活检方面的潜力.
主要方法:
- 从乳房扫描数据 (2020年1月至2022年6月) 追溯分析了557个BI-RADS 4病变.
- 开发一个DL模型来预测病变病理学.
- 计算DL模型的灵敏度,特异性,精度和曲线下的面积 (AUC).
- 评估模型对减少不必要的活检在BI-RADS 4A,4B和4C类别的影响.
主要成果:
- DL模型的灵敏度为81.0%,特异性为76.9%,准确度为78.8% (AUC = 0.790).
- 该模型显示,它有可能避免总体40.6%的不必要活检.
- 在BI-RADS 4A (55.1%),4B (18.9%) 和4C (4.29%) 病变中观察到不必要的活检显著减少.
结论:
- 开发的DL模型对BI-RADS 4病变具有很高的诊断性能.
- 这种人工智能工具可以准确识别良性病变,从而减少侵入性活检的需要.
- DL模型为接受乳腺损伤评估的患者提供了更安全,更方便的方法.
