PersonalizedUS：具有局部覆盖不确定性量化的可解释乳腺癌风险评估
机器学习
2024-08-29 v1 图像与视频处理
机器学习
摘要
正确评估超声检查中发现的乳腺病变的恶性程度对于有效的临床决策至关重要。然而，当前的“金标准”依赖于临床医生的人工BI-RADS评分，这常常导致不必要的活检，并给患者及其家属带来沉重的心理健康负担。在本文中，我们介绍了PersonalizedUS，一个可解释的机器学习系统，它利用共形预测的最新进展，提供精确且个性化的风险评估，具有局部覆盖保证，并且在各种阈值水平下，敏感性、特异性和预测值均高于0.9。特别是，我们识别出有意义的病变亚组，在这些亚组中，无分布、模型无关的条件覆盖成立，我们的大多数预测集在大多数病变亚组中仅包含真实标签，从而明确表征了模型最适用于哪些患者。此外，我们提供了一个来自近期观察性多中心研究的1936个活检乳腺病变的精选表格数据集，并基准测试了几种最先进学习算法的性能。我们还报告了在同一多中心背景下部署系统的成功案例研究。具体的临床益处包括在BI-RADS 4a和4b病变中，请求的活检减少高达65%，同时癌症漏诊病例极少或为零。
引用
@article{arxiv.2408.15458,
title = {PersonalizedUS: Interpretable Breast Cancer Risk Assessment with Local Coverage Uncertainty Quantification},
author = {Alek Fröhlich and Thiago Ramos and Gustavo Cabello and Isabela Buzatto and Rafael Izbicki and Daniel Tiezzi},
journal= {arXiv preprint arXiv:2408.15458},
year = {2024}
}
备注
9 pages, 5 figure, 2 tables