放射学和生物字典的放射学特征:解决个性化乳腺癌中可以理解的AI问题;字典版本BM1.0

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 基于放射学的人工智能模型为乳腺癌诊断提供了希望,但往往缺乏临床解释性.
• 弥合定量放射性特征 (RF) 和定性BI-RADS描述符之间的差距对于临床采用至关重要.

研究的目的:

• 开发和验证一个临床可解释的框架,将放射性特征映射到BI-RADS描述器,用于乳腺癌诊断.
• 提高瘤学AI模型的透明度和可信度.

主要方法:

• 开发了一种双字典方法,通过将56个RF与BI-RADS描述符联系起来,创建了一个临床映射字典 (CMD).
• 该框架用于分类三阴性乳腺癌 (TNBC) 与非TNBC,使用来自1549名患者的动态对比增强MRI数据.
• 为了模型解释,使用了夏普利添加式扩展 (SHAP),从而为51个额外的RF创建了统计映射字典 (SMD).

主要成果:

• 最好的AI模型实现了0.83±0.02.02的平均交叉验证准确度.
• 该框架成功地将预测RF转化为可理解的临床概念,确认已知的成像生物标志物并确定新的生物标志物.
• 像"球性"和"忙碌"这样的特征与TNBC预测有关,与临床观察保持一致.

结论:

• 引入了一个新的双字典框架 (BM1.0),有效地弥合了放射性特征和BI-RADS临床词典.
• 该框架提高了人工智能模型的解释性和透明度,促进了临床信任.
• 这种方法有助于将放射性特征整合到乳腺癌诊断和个性化治疗策略中.