开发和验证一个综合模型,结合深度学习,放射学,临床和乳房超声波特征,用于乳房成像报告和数据系统4A病变恶性病变分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 对乳腺成像报告和数据系统 (BI-RADS) 4A病变的主观评估经常导致不必要的活检.
• 需要客观和准确的诊断工具来区分良性和恶性乳腺病变.

研究的目的:

• 开发和验证一个新的多式联网框架,整合深度学习 (DL),放射学和临床/超声波 (US) 功能.
• 为了准确区分良性和恶性乳腺病变,被归类为BI-RADS 4A.

主要方法:

• 总共有935名患有BI-RADS 4A病变的患者被追溯分析.
• 使用LightGBM构建了一个多式模式模型,结合DL,放射学和临床/美国特征.
• 使用夏普利添加式解释 (SHAP) 来对特征贡献进行排名.

主要成果:

• 综合模型实现了高差别,AUC为0.938 (培训),0.870 (内部验证) 和0.861 (外部验证).
• 在外部验证队列中,综合模型显著优于独立放射学模型 (AUC=0.719) 和DL (AUC=0.763).
• 决策曲线分析证实了综合模型的卓越临床实用性.

结论:

• 综合多式模式框架在区分良性与恶性BI-RADS 4A乳腺病变方面表现出高准确性.
• 这种方法有可能显著减少不必要的活检,而不会影响诊断的准确性.