在全场数字乳房镜中生成AI增强的微化检测:降低高灵敏度的假阳性
Kyungsu Kim1, Manisha Bahl1,2,3,4,5, Adham Mahmoud Alkhadrawi1,2,3,4,5
1School of Transdisciplinary Innovations, Interdisciplinary Programs in Artificial Intelligence & Biomedical Engineering, Department of Biomedical Science, Seoul National University, Seoul, Republic of Korea.
Research square
|December 8, 2025
概括
生成型人工智能显著增强了乳房造影中的化检测,比目前的细分方法更提高了准确性. 这一进步有望改进查,减少放射学诊断错误.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 与细分AI相比,生成AI在放射学中的作用,特别是在全场数字造乳镜 (FFDM) 中的化检测方面,还没有得到很好的定义.
- 最初的细分AI实现了高灵敏度 (98.0%),但受到了低的特异性,以3.2%的正预测值 (PPV) 表示.
研究的目的:
- 开发和评估用于FFDM中提炼化检测的生成AI模型.
- 为了提高特异性和减少乳房影像分析中的错误阳性,同时保持高灵敏度.
主要方法:
- 开发了一种生成性AI模型,利用分段化AI输出作为结构优先级.
- 生成型人工智能将阳性化像素转化为无化像素,并通过减去生成正确的结果.
- 该模型被训练在真正的无化区域,对化内部和周围的密度进行分类.
主要成果:
- 生成型人工智能方法提高了PPV的2.28倍 (从3.2%提高到7.3%),超过了以前的生成型人工智能模型的146倍.
- 在整个过程中,灵敏度保持在95%以上.
- 对于小化 (5.17倍),高外部密度 (4.20倍) 和低内部密度 (2.89倍) 的患者级检测错误显著减少.
结论:
- 生成型人工智能显示出显著的放射性价值,超过目前最先进的化检测细分模型.
- 这种生成人工智能方法有可能重新定义乳房学查准确性.
- 该研究强调了生成人工智能的能力,可以创建高保真度的虚拟正常FFDM引用以用于进一步的研究和开发.
