良性与恶性瘤的分类从瘤轮在使用人工智能技术的乳房扫描扫描瘤轮
Hamidreza Mortazavy Beni1, Fatemeh Yekta Asaei1
1Department of Biomedical Engineering, Ars. C., Islamic Azad University, Arsanjan, Iran.
Computers in biology and medicine
|September 22, 2025
概括
这项研究使用人工智能 (AI) 和来自乳腺造影的瘤轮来准确分类乳腺癌瘤,可能减少对活检的需求. 最好的结果是使用结合深度网络和纯粹贝叶斯分类器实现了88.13%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是女性癌症死亡的主要原因,早期诊断对生存至关重要.
- 乳房显微镜是检测乳房异常的一个关键查工具.
- 目前的诊断方法可能是侵入性的和耗时的.
研究的目的:
- 开发一种人工智能驱动的方法来将乳腺瘤分类为良性或恶性,仅使用来自乳房影像的瘤轮.
- 为此分类任务评估各种预训练的卷积神经网络 (CNN) 和机器学习 (ML) 算法的性能.
- 探索AI在减少侵入性活检程序的需求方面的潜力.
主要方法:
- 瘤轮从一个新的,公开可用的乳房学数据库 (2024) 中提取出来.
- 从这些轮中提取了使用多个预训练的CNN (VGG16,ResNet50,Xception65,AlexNet,DenseNet,GoogLeNet,Inception-v3) 的特征.
- 我们比较了包括支持矢量机 (SVM),K-近邻 (KNN),神经网络 (NN),天真Bayes (NB) 和决策树 (DT) 在内的分类器. 使用了数据增强和5倍交叉验证.
主要成果:
- 将所有深度网络的特征与Naïve Bayes分类器相结合,实现了88.13%的准确性,92.52%,93.73%的敏感性和92.04%的精度.
- 使用ResNet50功能和NB分类器对DMID数据集的验证结果为92.03%的准确度,95.57%的特异性,98.49%的灵敏度和95.23%的精度.
- 这项研究证明了使用瘤轮而不是完整图像进行分类的有效性.
结论:
- 人工智能算法,特别是CNN和像Naïve Bayes这样的ML分类器,可以有效地使用提取的轮来分类乳腺癌瘤.
- 这种方法显示出更快,潜在的更少侵入性乳腺癌诊断的前景.
- 进一步验证和整合到临床工作流程中可以显著帮助早期发现和管理乳腺癌.
