一个系统的文献综述关于乳房造影:深度学习技术用于乳腺癌检测与全球和亚洲的观点
Ashwini Amin1, Dinesh Acharya U2, Prakashini Koteshwara3
1Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, 576104, India.
BMC cancer
|October 22, 2025
概括
对于乳腺癌检测的深度学习模型显示偏向于高加索数据集. 开发多样化,包容性的人工智能系统对于准确的全球乳腺癌查和改善患者结果至关重要.
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:
- 乳腺癌是一个重要的全球健康问题,其发病率和结果存在区域差异.
- 系统性审查注册:PROSPERO CRD 42,023,478,896. 系统性审查注册:PROSPERO CRD 42,023,478,896. 系统性审查注册:PROSPERO CRD 42,023,478,896. 系统性审查注册:PROSPERO CRD 42,023,478,896. 系统性审查注册:PROSPERO CRD 42,023,478,896.
研究的目的:
- 系统地审查基于深度学习的计算机辅助诊断 (CAD) 系统用于乳腺癌检测.
- 专注于亚洲人群,以突出人工智能驱动诊断中代表性不足的观点和挑战.
主要方法:
- 按照PRISMA指南进行系统的文献审查.
- 搜索了Scopus和Web of Science (2018年1月至2023年11月),并进行了额外的手动搜索 (2024-2025年).
- 在选了1051个记录后,包括287篇文章,重点是用于乳腺癌检测的深度学习,重点是亚洲数据集.
主要成果:
- 大多数研究都集中在病变分类上,检测,细分和密度评估较少.
- 亚洲数据集带来了挑战:乳腺密度较高,注释有限,代表性不足.
- 对高加索数据集 (>80%) 观察到显著的全球研究偏差,在多类BI-RADS分类中存在差距.
结论:
- 乳腺癌检测的深度学习模型主要以高加索数据进行训练,这限制了对不同人群的适用性.
- 开发人工智能需要代表不同种族的多样化数据集,以解决乳腺密度和成像方面的人口差异.
- 未来的研究必须验证跨不同种族群体的模型,并在临床测试中包括多样化的人口统计数据,以实现公平的全球乳腺癌查.
