优化乳腺癌超声波诊断:对AI模型性能和图像分辨率进行比较研究
Yunqing Yin1, Junkui Fang1, Wei Zhang2
1The Second Clinical Medical College, Jinan University, Shenzhen, China.
Frontiers in oncology
|July 2, 2025
概括
一个轻量级的人工智能 (AI) 模型,MobileNet,在使用超声波图像的乳腺癌诊断中,与高级放射科医生相比,取得了更高的准确性. 这种人工智能框架增强了诊断工作流程,减少了假阳性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳腺癌的诊断严重依赖于超声波 (美国) 和乳房扫描等成像技术.
- 放射科医生解释的准确性可以通过人工智能 (AI) 工具来提高.
- 优化AI模型架构和图像分辨率对于诊断性能至关重要.
研究的目的:
- 为了确定AI模型和超声波图像分辨率的最佳组合,用于乳腺癌诊断.
- 将AI模型的诊断准确性与高级放射科医生进行比较.
- 评估人工智能对减少假阳性诊断的影响.
主要方法:
- 轻量级 (MobileNet,Xception) 和密集的神经网络 (ResNet50,DenseNet121) 的系统比较.
- 在三个超声波图像分辨率 (224x224,320x320,448x448像素) 中进行评估.
- 追溯分析了4998例患者病例,其性能指标包括AUC,灵敏度,特异性和分析速度.
主要成果:
- 具有224x224分辨率的MobileNet获得了最高的AUC (0.924) 和精度 (87.3%),超过了美国高级放射科医生 (AUC: 0.820) 和乳房扫描 (AUC: 0.819).
- 移动Net_224模型显著减少了假阳性,美国的假阳性为60.1%,乳房检查的假阳性为46.6%.
- 移动网络模型展示了最快的分析速度.
结论:
- MobileNet_224提供了一个高效的AI框架来诊断乳腺癌,与复杂的AI模型和临床医生相比,其准确性和速度更高.
- 优化AI模型架构和图像分辨率是提高诊断准确性和效率的关键.
- 这种人工智能方法有可能显著减少不必要的活检.
