深度学习预测临床乳腺超声图像中的乳腺X线摄影密度
图像与视频处理
2024-11-11 v2 人工智能
计算机视觉与模式识别
摘要
背景：乳腺密度，由乳腺X线摄影图像导出并由美国放射学会乳腺影像报告和数据系统（BI-RADS）定义，是乳腺癌最强的风险因素之一。乳腺超声（BUS）是乳腺癌筛查的替代模态，尤其适用于低资源、农村环境中的早期检测。本研究旨在探索一种人工智能（AI）模型，用于从临床手持式BUS成像中预测BI-RADS乳腺X线摄影密度类别。方法：所有数据来源于夏威夷和太平洋岛屿乳腺摄影登记处。我们比较了来自BUS成像的深度学习方法以及仅基于图像统计的机器学习方法。将AI导出的BUS密度作为乳腺癌风险因素与临床BI-RADS乳腺密度进行了比较，同时调整了年龄。BUS数据按个体分为70/20/10%的训练、验证和测试集。结果：本研究筛选了来自14,066名女性的405,120张临床BUS图像，其中训练集9,846名女性（302,574张图像）、验证集2,813名女性（11,223张图像）和测试集1,406名女性（4,042张图像）。在保留的测试集上，最强的AI模型在从BUS成像预测BI-RADS乳腺X线摄影密度方面达到了AUROC 0.854，优于所有基于图像统计的浅层机器学习方法。在癌症风险预测中，经年龄调整的AI BUS乳腺密度预测5年乳腺癌风险的AUROC为0.633，而经年龄调整的临床乳腺密度的AUROC为0.637。结论：BI-RADS乳腺X线摄影密度可以使用深度学习模型从BUS成像中高精度地估计。此外，我们证明AI导出的BUS乳腺密度在我们的人群中可以预测5年乳腺癌风险。
引用
@article{arxiv.2411.00891,
title = {Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images},
author = {Arianna Bunnell and Dustin Valdez and Thomas K. Wolfgruber and Brandon Quon and Kailee Hung and Brenda Y. Hernandez and Todd B. Seto and Jeffrey Killeen and Marshall Miyoshi and Peter Sadowski and John A. Shepherd},
journal= {arXiv preprint arXiv:2411.00891},
year = {2024}
}