对检测乳腺动脉化在乳房影像上的人工智能模型及其临床影响的审查

科学领域:

• 心脏病学和放射学.
• 医疗成像中的人工智能

背景情况:

• 乳腺动脉化 (BAC) 是一种重要的心血管疾病 (CVD) 标志物,特别是在女性中.
• 由于缺乏标准化的协议和手动识别挑战,BAC报告不足.
• 乳房造影为乳房和心血管健康提供了双重目的查机会.

研究的目的:

• 审查AI/ML在自动化BAC检测和量化方面的最新进展.
• 突出AI在解决BAC报告不足和不一致量化方面的潜力.
• 评估人工智能增强的BAC检测对心血管风险分层的临床影响.

主要方法:

• 审查最近关于机器学习 (ML) 算法的研究,包括像CNN这样的深度学习模型 (例如DU-Net,DoG-GAN,SCU-Net).
• 评估各种ML方法,如混合模型,转移学习和BAC检测组合方法.
• 在自动化BAC识别和量化方面巩固技术创新.

主要成果:

• 深度学习模型在检测和量化BAC方面表现出很高的准确性,与人类专家竞争或超越.
• 各种ML算法显示了强大的诊断指标,提高了BAC检测的可靠性和可扩展性.
• 人工智能有可能显著改善心血管风险分层,特别是在女性身上.

结论:

• 由人工智能驱动的自动化BAC检测可以克服当前临床实践的局限性.
• 将基于人工智能的BAC检测集成到乳房造影工作流程中,可以改善公共卫生结果并降低医疗保健成本.
• 对人工智能增强的BAC检测进行标准化报告对于临床整合和预防性护理至关重要.