乳腺切割波弹性学深度学习模型改善乳腺癌诊断 (INSPiRED 006):国际多中心分析

科学领域:

• 医学成像
• 医学的人工智能
• 癌症学

背景情况:

• 剪切波弹性图 (SWE) 显示为乳腺癌诊断中的B模式超声波的辅助.
• 由于乳腺成像报告和数据系统 (BI-RADS) 4的质量缺乏验证的速度值,因此SWE的采用有限.
• 深度学习 (DL) 模型为医疗成像数据的客观分析提供了潜力.

研究的目的:

• 开发和验证一个深度学习 (DL) 模型,称为AI-SWE,用于分析BI-RADS 3和4乳腺质量的SWE图像.
• 将AI-SWE的诊断性能与使用常规B模式超声波的人类专家进行比较.

主要方法:

• 使用来自7个国家的12个机构的国际多中心试验 (NCT02638935) 的数据.
• 使用来自11个地点的SWE图像开发了一个基于EfficientNetB1的DL模型.
• 使用最新的SWE软件对第12个站点和单独的机构队列的数据进行了外部验证.

主要成果:

• 在外部验证组中,AI-SWE实现了高诊断准确度,接收器操作者曲线下的面积 (AUROC) 为0.94和0.93.
• 与B模式超声波相比,AI-SWE显著降低了62. 1%和38. 1%的错误阳性率 (P < 0. 001).
• AI- SWE的灵敏度与人类专家相美 (97. 9%和97. 8%对比98. 1%,P=0. 912和P=0. 810).

结论:

• 在乳腺瘤检测中,AI-SWE的准确性与人类的解释相美.
• AI-SWE显著减少了错误的阳性结果,可能减少不必要的活检.
• 建议进一步研究将AI-SWE整合到多式乳腺癌诊断策略中.