在乳房X光检查中诊断乳腺癌的人工智能算法
在这项回顾性研究中，开发了一种AI算法并通过从韩国，美国和英国的五个机构收集的170230乳房X线照片检查进行了验证，包括通过活检确认的36468癌阳性，通过活检确认的良性59 544(8827乳房X线照片) )或后续影像学检查(50 717例乳房X线照片)和74 218正常。对于多中心，观察者盲目的读者研究，分别从两家机构获得了320例乳房X线照片(160例癌症阳性，64例良性，96例正常)。14位放射科医生以读者的身份参加了会议，并根据恶性可能性(LOM)，恶性位置以及是否需要召回患者(首先不使用AI算法，然后借助AI算法)评估了每个乳房X线照片。
发现
AI整体表现为AUROC 0·959(95%CI 0·952-0·966)，韩国数据集中为0·970(0·963-0·978)，0·953(0·938–美国数据集为0·968，英国数据集为0·938(0·918–0·958)。在读者研究中，AI的性能水平为0·940(0·915-0·965)，显着高于没有AI辅助的放射科医生的水平(0·810，95%CI 0·770-0·850; p <0·0001)。在人工智能的帮助下，放射科医生的表现提高到0·881(0·850-0·911; p <0·0001)。AI对检测具有肿块的癌症(占检测到的59种癌症的53个[90%]比46个[78%]; p = 0·044)或畸变或不对称(占20个的18个[90%]相对于10个[50%])更敏感检出的癌症; p = 0·023)。AI可以更好地检测T1癌症(73 [91%]vs80的59 [74%];p = 0·0039)或淋巴结阴性的癌症(119例中104例[87%]vs88例[74%]; p = 0·0025)。
解释
与放射线医师相比，使用大型X线摄影术数据开发的AI算法在乳腺癌检测中显示出更好的诊断性能。在AI辅助下，放射科医生的性能得到显着改善，这支持将AI应用于乳房X线照片作为诊断支持工具。
资金
Lunit。
介绍
多项随机对照研究表明，乳腺钼靶筛查显着降低了乳腺癌的死亡率。
1个
，
2
尽管做出了这样的努力，乳腺癌仍然是全世界女性中最常见的癌症，也是与癌症相关的死亡的主要原因。
3
已经提出了其他诊断方法，例如断层合成，超声或MRI，但乳房X线筛查仍然是世界上最常用的方法。因此，准确地读取乳房X线照片对于最大化乳房X线检查的有效性非常重要。
在乳房X光检查中，可能会漏掉10%至30%的乳腺癌，这通常归因于密集的薄壁组织遮盖了病变，不良的定位，感知错误和解释错误，以及其他原因。
4
应当指出，减少误报的努力有时会导致过多的召回。在美国，有41%的放射科医师显示出比建议更高的召回率，并且只有28·6%接受活检的患者随后被诊断出患有癌症。
5
此外，乳腺癌检出率和召回率的读者间差异是一个重大问题。这意味着对乳房X线照片的解释很困难，并且需要大量的经验才能在阅读乳房X线照片时达到足够的解释性能。
6
二十年前，开发了用于乳腺摄影的计算机辅助检测(CAD)来辅助乳腺摄影的解释。
7
早期研究表明，传统的CAD在癌症检测(即敏感性)方面有所帮助，
8
，
9
特别是在微钙化的情况下。
8
但是，其有效性已受到最近的大规模临床试验的严重挑战，其中CAD未能改善放射科医生的诊断性能。
10
，
11
，
12
由于其假阳性率高，放射线医师被要求检查大量的CAD假阳性标记，从而导致疲劳和增加不必要的额外检查。
10
