深度学习与转移学习在数字乳腺图解合成:基于放射学模型预测乳腺癌风险

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 数字乳腺图解合成 (DBT) 对于乳腺癌检测至关重要,但在解释时间和可变性方面面临挑战.
• 深度学习 (DL) 为增强DBT图像分析和支持临床决策提供了一个潜在的解决方案.

研究的目的:

• 开发和评估两个DL模型,ResNet50和DenseNet201,使用转移学习对DBT图像上的乳腺病变 (良性与恶性) 的二元分类.
• 评估模型在支持临床决策和乳腺癌风险分层方面的表现.

主要方法:

• 一项回顾性研究包括了184名确诊患有良性或恶性乳腺病变的患者.
• 两种CNN架构,ResNet50和DenseNet201,使用来自ImageNet权重的转移学习进行训练.
• 使用10倍交叉验证与集体投票,并使用ROC-AUC,精度,灵敏度,特异性,PPV和NPV来测量性能.

主要成果:

• ResNet50模型实现了ROC-AUC的63%,准确度为60%,灵敏度为39%,特异性为75%.
• 据DenseNet201模型报道,ROC-AUC较低,为55%,准确度为55%.
• 这两种模型都显示出高特异性但低于最佳的灵敏度,这表明有可能排除恶性瘤.

结论:

• 基于转移学习的DL模型可用于DBT图像上的乳腺病变分类.
• 该研究强调了AI在乳腺成像中的潜力和局限性,其整体性能中等.
• 需要进一步的研究来提高模型的稳定性和临床适用性.