开发基于超声波的机器学习模型,以准确区分硬化腺和侵入性导管癌
Guohao Liu1,2, Na Yang2,3,4, Yikun Qu5,6
1Center of Scientific Research, Maoming People's Hospital, Maoming, China.
European radiology
|June 28, 2025
概括
使用乳房超声波图像的机器学习模型准确地区分了硬化腺症 (SA) 和侵入性管道癌 (IDC). 这些可解释的人工智能工具为改善乳腺癌诊断和减少误诊提供了一个有希望的非侵入性方法.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的非侵入性分化硬化腺症 (SA) 和侵入性管道癌 (IDC) 是一个重要的诊断挑战.
- 超声波成像是乳腺损伤评估的常见方式,但很难区分良性和恶性发现.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于使用乳房超声波图像进行SA和IDC的非侵入性差异诊断.
- 创建可解释的AI模型,提高诊断准确度,并帮助临床医生区分这些乳腺疾病.
主要方法:
- 使用了来自772名SA和IDC患者的2046张超声波图像的数据集.
- 进行了特征提取,选择 (相关系数,递归特征消除) 和模型训练 (10个分类器,网格搜索,5倍交叉验证).
- 模型性能使用接收器操作特征 (ROC) 曲线和SHapley添加式扩展 (SHAP) 来评估可解释性,并对来自84名患者的224个ROI进行外部验证.
主要成果:
- 投资回报水平XGBoost模型实现了0.9758 (测试) 和0.9906 (验证) 的AUC.
- 患者级逻辑回归模型的AUC达到0.9653 (测试) 和0.9846 (验证).
- "原始形状主要轴长度"特征被确定为关键,与IDC概率呈正相关;特征贡献被可视化.
结论:
- 开发了高性能和可解释的ML模型来区分SA和IDC与超声波图像.
- 这些模型展示了作为有效的非侵入性工具的潜力,以改善差异诊断,减少SA的误诊,并促进IDC的早期检测.
