基于深度学习的乳腺钼靶乳腺癌检测：泰国人群的多中心验证研究
图像与视频处理
2025-06-17 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
本研究提出了一种用于乳腺钼靶乳腺癌检测的深度学习系统，该系统采用改进的 EfficientNetV2 架构并增强了注意力机制进行开发。该模型在一家泰国主要医疗中心的乳腺钼靶图像上进行训练，并在三个不同的数据集上进行验证：域内测试集（9,421 例）、活检确认集（883 例）以及从两家不同医院收集的域外泛化性集（761 例）。对于癌症检测，该模型在相应数据集上分别取得了 0.89、0.96 和 0.94 的 AUROC。该系统的病灶定位能力使用包括病灶定位分数（LLF）和非病灶定位分数（NLF）在内的指标进行评估，显示出在识别可疑区域方面的稳健性能。通过一致性测试进行的临床验证表明，其与放射科医生具有高度一致性：活检确认病例的分类一致性为 83.5%，定位一致性为 84.0%；域外病例的分类一致性为 78.1%，定位一致性为 79.6%。专家放射科医生的接受率在活检确认病例中平均为 96.7%，在域外病例中为 89.3%。该系统在源医院的系统可用性量表得分为 74.17，在验证医院为 69.20，表明具有良好的临床接受度。这些结果证明了该模型在辅助乳腺钼靶图像判读方面的有效性，具有在临床实践中增强乳腺癌筛查工作流程的潜力。
引用
@article{arxiv.2506.03177,
title = {Deep Learning-Based Breast Cancer Detection in Mammography: A Multi-Center Validation Study in Thai Population},
author = {Isarun Chamveha and Supphanut Chaiyungyuen and Sasinun Worakriangkrai and Nattawadee Prasawang and Warasinee Chaisangmongkon and Pornpim Korpraphong and Voraparee Suvannarerg and Shanigarn Thiravit and Chalermdej Kannawat and Kewalin Rungsinaporn and Suwara Issaragrisil and Payia Chadbunchachai and Pattiya Gatechumpol and Chawiporn Muktabhant and Patarachai Sereerat},
journal= {arXiv preprint arXiv:2506.03177},
year = {2025}
}