基于乳房扫描检测乳腺癌的人工智能管道:综合系统审查和大规模实验验证.
Daniel Añez1, Giuseppe Conti2,3, Juan José Uriarte4
1Escuela Superior de Ingeniería, Ciencia y Tecnología, Universidad Internacional de la Empresa UNIE, 28015 Madrid, Spain.
Medicina (Kaunas, Lithuania)
|December 31, 2025
概括
这项研究评估了人工智能 (AI) 用于乳腺癌检测在乳房摄影. 虽然人工智能看起来有前途,但标准化方法和可解释性对于临床使用至关重要.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和机器学习
- 放射学和计算机病理学
背景情况:
- 在全球范围内,使用乳房扫描检测乳腺癌至关重要.
- 人工智能 (AI) 提供了改善乳房影像解释的潜力.
- 现有的AI管道缺乏可解释性和标准化.
研究的目的:
- 系统地审查目前的人工智能应用在基于乳腺癌的乳腺癌检测.
- 在公共数据集上实验验验证代表性AI模型 (CNNs,SVM,XGBoost).
- 评估人工智能管道的解释性和可重现性.
主要方法:
- 对PubMed和Scopus/ScienceDirect进行符合PRISMA 2020标准的系统审查.
- 在CBIS-DDSM数据集上对卷积神经网络 (CNN) 和经典机器学习模型 (SVM,XGBoost) 的实验验证.
- 应用可解释的人工智能 (XAI) 方法,包括Grad-CAM和SHAP,在机器学习操作 (MLOps) 框架内进行解释.
主要成果:
- 系统审查发现了数据集,预处理和验证的异质性,XAI的使用有限.
- ResNet-50获得了最高的性能 (AUC-ROC 0.95,灵敏度为89%),其次是XGBoost (AUC-ROC 0.90) 和SVM (AUC-ROC 0.84).
- 格拉德-CAM提供了可信的病变专注热图;SHAP揭示了简单的图像特征推动了经典模型的预测.
结论:
- 目前的人工智能管道显示出基于乳房扫描的乳腺癌检测潜力,但存在局限性.
- 标准化预处理,严格的外部验证和常规XAI对于临床部署至关重要.
- 这项研究强调了在乳腺癌诊断中需要强大的和可解释的AI.
