以人工智能为基础的超声波名图,用于区分侵袭性和非侵袭性乳腺癌群体
Meng-Yuan Tsai1,2,3,4, Zi-Han Yu1,5, Chen-Pin Chou1,6
1Department of Radiology, Kaohsiung Veterans General Hospital, Kaohsiung 813414, Taiwan.
Cancers
|August 14, 2025
概括
这项研究开发了一种使用超声波特征的人工智能驱动的名录图,以准确区分直位管道癌 (DCIS) 和侵入性管道癌 (IDC),改善非侵入性乳腺癌诊断.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 在有效的乳腺癌治疗中,区分局部导管癌 (DCIS) 和侵入性导管癌 (IDC) 是至关重要的.
- 超声波是主要的成像方法,但区分这些病变可能具有挑战性.
- 人工智能驱动的成像特征分析为改善诊断准确性提供了潜力.
研究的目的:
- 开发和验证一个预测名录,用于区分质型DCIS与IDC,使用基于AI的BI-RADS词典和超声波的损伤到乳头距离 (LND).
- 在区分和校准方面评估名录的性能.
主要方法:
- 对170名女性175例病理确认的恶性乳腺病变 (26例DCIS,149例IDC) 的回顾性分析.
- 整合AI衍生的BI-RADS功能 (S-Detect) 和超声波LND测量.
- 开发基于后勤回归的名图,使用ROC曲线和校准图进行性能评估.
主要成果:
- 较小的损伤大小,不规则的形状,LND ≤3厘米,以及非低声回声性是DCIS的独立预测因素.
- 基于人工智能的名录显示出强大的区分能力 (AUC训练:0.851,AUC验证:0.842).
- 观察到优异的校准,Hosmer-Lemeshow测试不显著,平均绝对误差低.
结论:
- 开发的基于人工智能的名图是用于非侵入性地区分质型DCIS与IDC的可靠工具.
- 这种预测模型可以增强术前规划,提高乳腺癌的诊断准确度.
- 人工智能与超声波功能的集成显示了促进乳腺癌诊断的前景.
