European Radiology：多模态成像和临床信息对人工智能算法分类乳腺肿块的重要性
2022-04-18 shaosai MedSci原创
现阶段，临床上常规使用超声、钼靶及MR成像来评估不确定的乳腺肿块。
现阶段，人们对基于人工智能软件对医学图像自动分析的使用产生了巨大的热情。此外，图像的自动评能有助于减轻放射科医生日益增长的工作负担。医学图像分析算法的开发是通过使用手工制作的图像特征，并通过机器学习算法进行分析。然而，最近在美国放射学会和北美放射学会成员中进行的一项调查显示，很少有医生在实践中使用这种成像算法，在这些医生中，93%的人报告这些算法在实践中的结果不一致。
以乳腺癌诊断为例，临床上使用超声、钼靶及MR成像来评估不确定的乳腺肿块。在基于人工智能的诊断算法（尤其是乳腺癌诊断）中，缺乏对临床和人口统计信息以及不同成像模式的整合，因此限制了这些诊断模型的现有性能。
近日，发表在European Radiology杂志的一项研究比较了常规乳腺癌诊断与医生或基于人工智能的算法的诊断性能，为乳腺癌的快速准确诊断提供了技术支持。
本试验招募了1288名接受常规乳腺癌筛查的女性参与者信息（多模式成像、人口统计和临床信息）。三位专门从事超声诊断的医生对所有超声图像进行了二次阅读。本研究利用12个研究点中的11个的数据开发了两个机器学习（ML）算法，使用单模态信息（超声专家产生的超声特征）对乳腺肿块进行分类，并在其余研究点上进行了验证。同样的ML算法随后被开发出来，并在多模式信息（临床和人口统计信息加上超声特征）上得到验证。使用曲线下面积（AUC）来评估性能。
在1288个乳腺肿块中，368个（28.6%）在是组织病理学上显示为恶性。在外部验证集（n = 373）中，两个单模态超声ML算法的性能（AUC 0.83和0.82）与超声专家的性能（AUC 0.82至0.84；所有比较的p > 0.05）相称。多模式超声ML算法的表现明显更好（AUC 0.90和0.89），但在统计上低于常规乳腺癌诊断（AUC 0.95，所有比较的P≤0.05）。
图 临床常规、超声专家、单模态机器学习算法和多模态机器学习算法的受试者工作特性曲线
本研究表明，与能够评估多个成像来源以及其他相关人口和临床信息的医生相比，成像分类任务并不一定能产生最准确的诊断决定。基于人工智能的算法如果不是在多模式的常规信息（成像、人口统计学和临床信息）上开发的，并且随后没有与这种临床常规的性能相比较，可能无法代表最先进的诊断性能。对仅依赖一种成像模式的人工智能算法的结果可靠性不强，需要进一步的工作来开发和评估个性化的诊断模型，以更好地代表临床常规乳腺诊断的诊断途径。
原文出处：
André Pfob,Chris Sidey-Gibbons,Richard G Barr,et al.The importance of multi-modal imaging and clinical information for humans and AI-based algorithms to classify breast masses (INSPiRED 003): an international, multicenter analysis.DOI:10.1007/s00330-021-08519-z
作者：shaosai
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#乳腺肿块#
60
#PE#
47
#多模态#
56
#重要性#
67
签到学习
50