MGScreener:一个基于多视图乳房造影的模型,通过积极学习优化,用于乳腺癌诊断
Yao Chen1, Peiling Wang2, Jun Zeng3
1School of Biological Science and Medical Engineering, Hunan University of Technology, Zhuzhou, 412007, PR China; State Key Laboratory of Chemo and Biosensing, College of Chemistry and Chemical Engineering, Hunan University, Changsha, 410082, PR China.
Talanta
|January 6, 2026
概括
新型人工智能工具MGScreener通过整合乳房扫描图像和临床数据来改善乳腺癌查. 这种人工智能协助放射科医生,提高早期检测和亚型分类的诊断准确性.
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:
- 乳腺癌是全球女性死亡的主要原因之一.
- 早期检测和准确的亚型是有效治疗的关键.
- 目前的选方法可以通过先进的计算工具来改进.
研究的目的:
- 开发MGScreener,一个可解释的多视图AI框架用于乳腺癌查.
- 为了完善分类,将双视图乳房学 (CC和MLO) 与临床数据相结合.
- 利用主动学习来实现高效的数据注释和降低成本.
主要方法:
- 开发了MGScreener,这是一个多视图框架,将CC和MLO乳房学与临床数据相结合.
- 实施了积极学习策略,对未标记的数据采用基于的不确定性抽样.
- 在两个分类任务的两个独立测试集上评估模型性能.
主要成果:
- MGScreener-1实现了89.7%的准确性和0.941的ROC-AUC,用于良性与恶性分类.
- MGScreener-2在侵入性管道癌的鉴定中获得了88.2%的准确性和0.884的ROC-AUC.
- 在MGScreener的帮助下,放射科医生的精度提高了10%以上.
结论:
- MGScreener为乳腺癌查提供了一个可扩展和有效的解决方案.
- 该框架提高了诊断的准确性,并有助于分子亚型的分类.
- 人工智能辅助阅读显著提高了放射科医生的乳腺癌检测性能.
