在英国查计划中,乳腺癌风险预测算法在乳腺扫描系统中的性能

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 间隔性乳腺癌,在查之间诊断出来,往往有较差的预后.
• 深度学习 (DL) 模型显示了从乳房影像中预测短期乳腺癌风险的潜力.
• 在大规模的国家查数据上对DL算法的比较验证是有限的.

研究的目的:

• 以回顾评估和比较四个深度学习风险预测算法的性能.
• 评估英国NHS乳腺查计划内的不同乳房扫描系统的算法概括性.
• 确定这些算法的能力,以确定未来的间隔乳腺癌.

主要方法:

• 追溯分析了来自英国NHS乳腺查计划两个站点的112,621张阴性乳房影像 (2014-2017年).
• 评估了四个风险算法:Mirai,iCAD,Transpara和谷歌.
• 五年后续数据包括1225种未来的癌症 (间隔和屏幕检测).
• 使用曲线下的面积 (AUC) 和在最高风险分数门内的识别率来评估性能.

主要成果:

• 在算法中观察到区分能力的明显排名,整体AUC从0.65到0.72.7不等.
• 只有一个算法在两种乳房造 mammography 系统 (Philips,GE) 之间显示出显著的性能差异.
• 对于间歇性癌症,AUC在0.67至0.77.7之间.
• 性能最好的算法在最高4.0%风险得分组中识别了大约20%的未来癌症和27%的间隔癌症.

结论:

• 深度学习算法展示了识别间隔乳腺癌风险较高的女性的潜力.
• 算法之间的性能有所不同,其中一些算法在不同的乳房造影系统中显示出更好的概括性.
• 需要进一步的前性多算法试验和特定系统的微调,以优化性能和临床实施.