在不同的暴露环境下评估AI损伤风险得分的稳定性,使用人类形状的乳房幻影

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
• 医学物理 医学物理

背景情况:

• 人工智能 (AI) 系统越来越多地用于分析数字造乳镜 (DM) 图像.
• 人工智能性能的稳定性取决于一致的图像质量和曝光参数.
• 了解暴露条件的变化如何影响AI风险得分对于临床实施至关重要.

研究的目的:

• 在不同暴露条件下,评估AI衍生病变风险分数在数字乳房镜 (DM) 中的稳定性和可靠性.
• 为了研究不同成像参数 (kV,mAs,阳极/过器) 与人工智能系统输出之间的相关性.
• 评估器官剂量对AI风险评分准确性的影响.

主要方法:

• 一个具有模拟病变的人类形状的乳房幻影用DM与各种管电压,管载荷和阳极/过器组合进行成像.
• 器官剂量来自DICOM标题,作为平均腺体剂量的代理.
• 人工智能系统分析产生了损伤风险得分,与暴露条件相关联.

主要成果:

• 在AI病变风险得分和kV/mAs之间观察到弱到中度强的积极关联,因阳极/过器而异.
• 人工智能风险得分随着器官剂量的增加而平稳,这表明得分升高的极限.
• 典型的临床环境 (W/Rh,27 kV,71 mAs) 的风险分数为33-56 (平均42,SD9).
• 风险分数 (36-63,平均值51,SD 12) 的最大变化发生在27kV和36mAs (W/Rh) 时.

结论:

• 数字乳房扫描 (DM) 中的暴露变化可以影响人工智能 (AI) 系统风险得分.
• 由不一致的曝光导致的低于最佳的图像质量可能会导致不准确的AI性能.
• 人工智能风险得分的显著集团内部变异性需要进一步调查,以获得可靠的临床应用.