对乳腺癌和乳腺硬化腺症的二进制和三进制分类预测,利用从临床和成像特征的可解释人工智能:一个回顾性,诊断准确性的队列研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 硬化性腺 (SA) 和乳腺癌 (BC) 具有相似的临床,成像和病理特征,使分化变得复杂.
• 乳腺癌可以与BC (SA+BC) 共存,包括管道癌 in situ (SA-DCIS) 和侵袭性乳腺癌 (SA-IBC),进一步挑战诊断,特别是在核心针活检 (CNB) 后.

研究的目的:

• 开发可解释的AI模型,用于乳腺病变的二元和三元分类.
• 使用临床和成像特征将SA-only与SA+BC (包括SA-DCIS和SA-IBC) 区分开来.

主要方法:

• 对726名SA患者 (2006-2021) 的回顾性分析:只有537名SA患者和189名SA+BC患者 (90名SA-DCIS,99名SA-IBC).
• 机器学习算法 (逻辑回归,SVM,决策树,XGBoost,随机森林) 的比较,使用AUC,精度,F1得分和C指数.
• 用SHAP评估模型解释性;对113名患者进行外部验证.

主要成果:

• 在二进制和三进制分类任务中,XGBoost表现出卓越的性能.
• 确定了关键的预测特征:年龄,超声波BI-RADS类别,病变直径,超声波边缘,活检程序,乳房扫描密度和微化.
• 通过二进制分类 (SA-only vs. SA+BC) 实现AUC为0.925,准确度为0.883. 三级分类 (仅SA,SA-DCIS,SA-IBC) 实现AUC为0.888,准确率为0.811.

结论:

• 可解释的AI模型显著改善了SA-only和SA+BC之间的歧视.
• 年龄,超声波BI-RADS和最小的损伤直径是关键预测因素.
• 人工智能模型支持明智的临床决策,用于管理最初被诊断为SA的乳腺病变,降低误诊风险.