一种用于降低筛查乳腺摄影中假阳性的深度学习算法
计算机视觉与模式识别
2022-04-15 v1 机器学习
摘要
筛查乳腺摄影通过实现早期检测和治疗改善乳腺癌预后。然而，筛查检查中因额外成像而产生的假阳性召回会导致不必要的操作、患者焦虑和经济负担。本工作展示了一种通过识别不疑似乳腺癌的乳腺摄影图像来降低假阳性的 AI 算法。我们使用该算法在 123,248 张 2D 数字乳腺摄影图像（6,161 例癌症）上训练以确定无癌状态，并在来自 15 个美国站点和 3 个英国站点的 14,831 次筛查检查（1,026 例癌症）上进行了回顾性研究。该算法在最大美国站点（11,592 张图像，101 例癌症）上的回顾性评估显示：a) 癌症检出率未受影响（p=0.02，非劣效界值每 1000 次检查 0.25 例癌症），b) 与标准临床读片相比，诊断性检查召回降低了 31.1%，c) 良性穿刺活检降低了 7.4%，d) 在模拟临床工作流中需放射科医生解读的筛查检查降低了 41.6%。本工作为半自主乳腺癌筛查系统奠定了基础，此类系统可通过减少假阳性、不必要的操作、患者焦虑和开支而使患者和医疗系统受益。
引用
@article{arxiv.2204.06671,
title = {A deep learning algorithm for reducing false positives in screening mammography},
author = {Stefano Pedemonte and Trevor Tsue and Brent Mombourquette and Yen Nhi Truong Vu and Thomas Matthews and Rodrigo Morales Hoil and Meet Shah and Nikita Ghare and Naomi Zingman-Daniels and Susan Holley and Catherine M. Appleton and Jason Su and Richard L. Wahl},
journal= {arXiv preprint arXiv:2204.06671},
year = {2022}
}