通过人工智能提高乳房密度评估

科学领域:

• 医疗成像中的人工智能
• 医疗保健中的计算机视觉
• 放射学和诊断成像

背景情况:

• 乳腺癌仍然是全球女性癌症死亡的主要原因.
• 乳房扫描对于早期检测至关重要, 乳房密度是一个关键因素.
• 目前的乳腺密度评估 (BI-RADS) 是主观的,有所不同,需要客观的工具.

研究的目的:

• 开发和验证一个开源的,人工智能驱动的计算机视觉方法,用于客观的乳腺密度分类.
• 创建一个可访问的,低成本的解决方案,用于一致的乳腺密度评估,特别是在资源有限的环境中.
• 通过改善乳房图解来提高早期乳腺癌检测.

主要方法:

• 开发了一个与极端学习机器 (ELM) 层集成的定制卷积神经网络 (CD-CNN).
• 该模型在由BI-RADS密度 (A-D) 分类的10,371张全场数字乳房图像的回顾性数据集上进行了训练和测试.
• 使用准确度,灵敏度,特异性和加权卡帕,包括对迷你MIAS数据集的验证来评估性能.

主要成果:

• 拟议的人工智能模型在初级数据集上实现了高性能:95.4%的准确性,98.0%的特异性和92.5%的灵敏性.
• 在自动分类和专家共识之间观察到很强的一致性 (加权卡帕=0. 90).
• 在独立的迷你MIAS数据集上获得了可比的结果,证明了稳定性和通用性.

结论:

• 开发的开源AI方法提供了一种一致且准确的乳房密度评估方法.
• 这种工具有潜力显著支持早期发现乳腺癌的努力,特别是在服务不足的医疗环境中.
• 通过CD-CNN和ELM的整合,可以实现自动化乳房分析,从而提高诊断的一致性.