通过可解释AI异常检测进行乳腺MRI查来检测乳腺癌

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 人工智能 (AI) 模型有可能提高乳腺MRI查的准确性和效率.
• 现有的人工智能模型缺乏在低患病率人群中的严格评估和解释性,阻碍了临床采用.
• 在乳腺MRI中需要可解释的AI,以便可靠的临床使用.

研究的目的:

• 开发一种可解释的AI模型,用于检测乳腺癌的MRI.
• 确保模型在高和低癌症患病率场景中的有效性.
• 提高AI在乳腺MRI查中的解释性和临床采用.

主要方法:

• 开发了一个可解释的完全卷积数据描述 (FCDD) 异常检测模型,使用9567个乳腺MRI检查.
• 通过交叉验证,内部测试组 (171次考试) 和外部多中心数据集 (221次考试) 评估模型性能.
• 通过像素比较与恶性瘤注释来评估模型可解释性,使用Wilcoxon签名排名测试来确定统计学意义.

主要成果:

• 在平衡 (AUC=0.84对0.81) 和不平衡 (AUC=0.72对0.69) 任务的交叉验证中,FCDD模型的表现优于基准二元交叉 (BCE) 模型.
• 在不平衡的环境中,FCDD在97%的灵敏度下实现了更高的特异性 (13%与9%相比).
• FCDD显示出与恶性瘤注释的优越空间一致性 (像素化AUC=0.92对比0.81) 和在外部测试上强大的表现 (AUC=0.86对比0.79).

结论:

• 开发的可解释AI模型准确地描绘了乳腺MRI中的瘤位置.
• 在高和低流行设置中,FCDD模型在标准模型中表现出优越的性能.
• 这种可解释的AI有望改善乳腺MRI查和临床采用.