目的对乳腺X线影像智能分析(AI-CAD for Breast)系统在乳腺病灶检出、病灶性质判断等方面进行系统性评估。资料与方法回顾性分析2015年3月—2022年1月在北京中医医院行乳腺X线摄影的240例患者作为外部独立测试集。基于深度学习神经网络...目的对乳腺X线影像智能分析(AI-CAD for Breast)系统在乳腺病灶检出、病灶性质判断等方面进行系统性评估。资料与方法回顾性分析2015年3月—2022年1月在北京中医医院行乳腺X线摄影的240例患者作为外部独立测试集。基于深度学习神经网络结构Mask-RCNN对病灶检出、病灶性质进行判定。算法模型的内部训练集和验证集共计58516例,其中验证集参与了参数调优。通过Python进行分析,利用Bootstrap算法计算95%置信区间,对比3位不同年资放射科医师单独阅片与医师在软件辅助下阅片对病灶检出的敏感度和准确度。结果AI-CAD for Breast系统在假阳性率为0.15时,内部和外部测试集共58516例中肿块和可疑钙化的敏感度分别为0.879、0.926、0.858、0.916。在AI-CAD辅助3位医师诊断的情况下,病灶检出敏感度医师1为0.81,医师2为0.89,医师3为0.93,均高于单独诊断的病灶检出敏感度(0.67、0.73、0.82)。加入辅助软件后医师对病灶良恶性判断的敏感度较单独阅片提高(89.38%比86.73%),特异度提高(84.76%比81.90%)。乳腺影像报告和数据(BI-RADS)1~3级中,医师单独阅片准确度为81.90%,加入AI后医师阅片准确度为84.76%;BI-RADS 4级及以上,医师单独阅片准确度为86.72%,加入AI后医师阅片准确度为89.38%。结论AI-CAD for Breast系统可以提高影像科医师对乳腺病灶的检出敏感度以及病灶良恶性分类的准确度。展开更多
文摘目的对乳腺X线影像智能分析(AI-CAD for Breast)系统在乳腺病灶检出、病灶性质判断等方面进行系统性评估。资料与方法回顾性分析2015年3月—2022年1月在北京中医医院行乳腺X线摄影的240例患者作为外部独立测试集。基于深度学习神经网络结构Mask-RCNN对病灶检出、病灶性质进行判定。算法模型的内部训练集和验证集共计58516例,其中验证集参与了参数调优。通过Python进行分析,利用Bootstrap算法计算95%置信区间,对比3位不同年资放射科医师单独阅片与医师在软件辅助下阅片对病灶检出的敏感度和准确度。结果AI-CAD for Breast系统在假阳性率为0.15时,内部和外部测试集共58516例中肿块和可疑钙化的敏感度分别为0.879、0.926、0.858、0.916。在AI-CAD辅助3位医师诊断的情况下,病灶检出敏感度医师1为0.81,医师2为0.89,医师3为0.93,均高于单独诊断的病灶检出敏感度(0.67、0.73、0.82)。加入辅助软件后医师对病灶良恶性判断的敏感度较单独阅片提高(89.38%比86.73%),特异度提高(84.76%比81.90%)。乳腺影像报告和数据(BI-RADS)1~3级中,医师单独阅片准确度为81.90%,加入AI后医师阅片准确度为84.76%;BI-RADS 4级及以上,医师单独阅片准确度为86.72%,加入AI后医师阅片准确度为89.38%。结论AI-CAD for Breast系统可以提高影像科医师对乳腺病灶的检出敏感度以及病灶良恶性分类的准确度。
