深度Shapley附加解释(SHAP)覆盖图像的例子。最大强度投影(MIP)图像在左边,带有SHAP覆盖层的MIP图像在右边。阳性的SHAP值(红色)表示病变存在的高概率区域,阴性的SHAP值(蓝色)表示可能性较低的位置。(A) 57岁女性浸润性导管癌MRI增强矢状位MIP图像,乳腺成像报告和数据系统(BI-RADS)分类4。2022世界杯篮球预选赛赛程深度学习(DL)模型得到90%的病灶存在概率。阳性的SHAP值(红色)显示与病变的位置(箭头)一致。(B) 53岁女性BI-RADS评分为1,无病变的乳腺MRI造影增强矢状位MIP图像。DL模型显示病变存在的概率为11%。阴性SHAP值(蓝色)弥漫性分布于乳腺区域。(C) 65岁女性BI-RADS评分为4的导管原位癌乳腺MRI造影增强横向MIP图像。 The DL model yielded a probability of lesion presence of 32%—the lowest probability value among all breasts with malignant disease in our study. Positive SHAP values (red) are shown to coincide with the location of the lesion (arrows). Image courtesy of the Radiological Society of North America.
2021年10月7日—使用人工智能(AI)可以快速、准确地筛选乳房核磁共振成像在女性致密的乳房根据一项发表在放射学.
乳房x光检查通过在癌症最可治疗的时候提供早期检测,帮助减少了乳腺癌死亡人数。然而,在乳腺密度极高的女性中,它的敏感度低于乳腺脂肪较多的女性。此外,乳房密度极高的女性患乳腺癌的风险是几乎全是脂肪的女性的三到六倍,是普通女性的两倍。
对乳腺密度极高的女性进行补充筛查可提高癌症检测的敏感性。的研究致密组织和早期乳腺肿瘤筛选试验的一项大型研究支持使用MRI辅助筛查。
该研究的主要作者Erik Verburg M.Sc说:“致密试验表明,对于乳腺密度极高的女性,额外的MRI筛查是有益的。乌得勒支大学医学中心在荷兰。“另一方面,致密试验证实,绝大多数接受筛查的女性在MRI上没有任何可疑的发现。”
由于大多数核磁共振成像显示正常的解剖和生理变化,可能不需要进行放射检查,需要对这些正常的核磁共振成像进行分类,以减少放射科医生的工作量。
在这类研究的首次中,Verburg和他的同事开始确定基于深度学习(一种复杂的人工智能类型)的自动分类方法的可行性。他们使用了来自密度试验开发和训练深度学习模型,以区分有无病变的乳房。该模型使用七家医院的数据进行训练,并使用第八家医院的数据进行测试。
超过4500个高密度乳房的MRI数据集被纳入研究。在9162例乳房中,838例至少有一处病变,其中77例为恶性病变,8324例没有病变。
深度学习模型认为90.7%的mri病变为异常,并将其分类到影像学复查。它排除了大约40%的无病变核磁共振成像,没有遗漏任何癌症。
Verburg说:“我们证明,可以安全地使用人工智能来排除乳腺mri筛查而不遗漏任何恶性疾病。”“结果比预期的要好。40%是一个好的开始。然而,我们还有60%的地方需要改进。”
Verburg说,基于人工智能的分诊系统有可能显著减少放射科医生的工作量。仅在荷兰,就有近8.2万名女性可能有资格根据乳房密度进行两年一次的MRI乳房检查。
Verburg说:“这种方法可以首先用于帮助放射科医生减少总体阅读时间。”“因此,我们可以有更多的时间来关注真正复杂的乳腺MRI检查。”
研究人员计划在其他数据集中验证该模型,并将其部署在后续的筛选轮密度试验.
更多信息:www.rsna.org
相关乳腺MRI内容:
乳腺MRI筛查在乳腺致密的女性中的应用——采访医学博士克里斯蒂安·库尔
视频:解释致密的乳房——采访医学博士克里斯蒂安·库尔
视频:荷兰研究中使用乳房MRI改善致密乳房的癌症检测——采访医学博士吉莉安·纽斯特德