计算机提取的全局影像组学特征可预测放射科医生对筛查乳腺X线摄影异常的第一印象
本研究收集13名观察者对4191幅头尾位乳腺X线摄影的全局感知信号评分,提取130个全局影像组学特征并构建8个随机森林分类器,以区分高感知信号与低感知信号图像。Prior-Visible模型AUC最高为0.84,聚类阴影、标准差、偏度、峰度和范围被识别为最重要特征。作者认为全局影像组学特征可准确分类高感知信号与低感知信号图像。
要点
- 全局影像组学特征可区分高感知信号与低感知信号乳腺X线摄影图像,Prior-Visible模型AUC最高为0.84。
- 聚类阴影、标准差、偏度、峰度和范围是区分高感知信号与低感知信号图像的最重要特征。
- Cancer模型AUC为0.69,低于其他7个模型(AUC 0.75-0.84),可能与高感知信号组545幅与低感知信号组71幅的类别不平衡有关。
核心结论
- 研究结果表明全局影像组学特征可准确分类高感知信号与低感知信号图像。
- 五个特征被识别为在描述高感知信号图像方面有价值,有助于理解驱动全局感知信号强度的乳腺X线摄影图像特征。
研究设计与样本
- 实验研究,收集13名观察者(11名放射科医生和2名乳腺医师)对4191幅头尾位单侧数字乳腺X线摄影的全局感知信号评分。
- 图像来自BreastScreen Australia档案,取自50至75岁无症状女性,使用Siemens、Hologic、Sectra、Fujifilm、Philips和Konica Minolta等多种设备采集。
- 每幅图像提取130个手工全局影像组学特征(110个基于灰度共生矩阵的纹理特征和20个一阶统计特征),构建8个随机森林分类器,采用10折交叉验证训练和验证,以受试者工作特征曲线下面积(AUC)评估性能。
- 高感知信号与低感知信号图像分别取平均感知信号评分的第75百分位和第25百分位以上的图像。
诊断标准与关键数值
- Prior-Visible模型区分高感知信号与低感知信号图像的AUC为0.84(95%CI 0.77-0.91),为8个模型中最高。
- Prior-Invisible模型AUC为0.83(95%CI 0.77-0.87),Normal模型AUC为0.82(95%CI 0.79-0.86),Prior-1模型AUC为0.81(95%CI 0.79-0.85)。
- All模型AUC为0.79(95%CI 0.77-0.81),Prior-2模型AUC为0.77(95%CI 0.68-0.83),Missed模型AUC为0.75(95%CI 0.70-0.81),Cancer模型AUC为0.69(95%CI 0.65-0.75)。
- 最重要的特征为灰度共生矩阵的聚类阴影(特征26-30,跨五个方向计算)、一阶统计的标准差(特征112)、偏度(特征113)、峰度(特征114)和范围(特征129和130,跨两个维度计算)。
临床应用与阅片要点
- 全局影像组学特征可能作为辅助人工智能视觉工具,向临床医生提示乳腺X线摄影筛查中阳性癌症发现风险升高。
- 该工具可能用于增强近期深度学习模型,以进一步提高筛查乳腺X线摄影中乳腺癌检测的准确性。
- 作者认为需要更多研究来进一步评估和验证其临床实用性。
局限性
- Cancer图像类别中高感知信号组545幅与低感知信号组71幅之间存在大的类别不平衡(n=474),使Cancer模型难以最优学习差异,从而限制了其预测能力。
- 作者指出需要更多研究来进一步评估和验证其临床实用性。
全文中译11 节 · 点击展开
引言
临床医生,如放射科医生——医学图像解读方面的专家,常常报告说他们在短暂瞥一眼图像后,对医学图像的异常或其“整体印象(gist)”会有初步印象。多项观察者研究提供了证据,表明在不到半秒的时间内,放射科医生能够将异常乳腺X线摄影¹或胸部X线片与正常者区分开来。² 一项针对乳腺X线摄影图像的研究表明,放射科医生能够区分异常与正常乳腺X线摄影,这些图像不包含明显的局限性癌症征象,且位于恶性肿瘤的对侧。³ 研究还表明,基于半秒的图像呈现,在后来被诊断为乳腺癌(BC)的女性的既往正常乳腺图像中(即基于前一轮筛查的既往图像所漏诊的癌症),可以检测到异常的整体印象。⁴⁻⁶ 此外,既往研究表明,筛查乳腺X线摄影结果为假阳性(FP)的女性或一侧乳腺已患癌症的女性,发生未来/对侧BC的风险升高。⁷,⁸ 这些发现暗示,放射科医生的初步印象不一定在图像中有局限性来源,而可能由乳腺X线摄影的纹理特征驱动,且与其他风险因素如乳腺密度无关。⁹⁻¹²
在医学图像感知文献中,对图像异常特征的放射学瞬时视图的整体感知加工通常被称为整体印象信号(gist signal),其已被广泛研究以更好地理解放射学误差并提高筛查性能。³⁻⁶,¹¹⁻²¹ 从人类视觉系统的角度,可以认为整体印象相应地包含关于图像中异常“是什么”和“在哪里”的全局和局部信息来源。¹²,²²,²³ 大量整体印象文献——研究不含局限性癌症征象的图像(如对侧乳腺X线摄影)上的整体印象——揭示整体印象与全局“是什么”信息相关,且该信息的发生不依赖于其先前的定位。³⁻⁵,¹³⁻¹⁵,²³,²⁴ 基础视觉科学领域的观点表明,整体印象信息可以从整个全局图像属性中以“非选择性”方式快速提取(例如,仅需短至半秒的图像观看时间),而信息的识别则发生于局部属性(即“选择性”通路)。¹⁶,¹⁷,²⁵,²⁶ 因此,整体印象显然是一种全局快速信号,本文中将称之为“全局整体印象信号”(GGS)。
许多关注自然场景理解过程的要点(gist)研究表明,观察者在短暂观看图像后,就能将这些图像归类为室内或室外等类别。27,28 人类视觉系统在识别自然场景的全局要点时依赖于纹理特征,29–31 这表明纹理分析可以为快速场景识别提供强有力的整体线索。先前的研究表明,一阶和二阶(基于灰度共生矩阵(GLCM)的)统计特征与典型观看模式下的纹理分析相关。32–34 然而,目前尚不清楚这些特征是否也与乳腺X线摄影图像的感知全局要点信号(GGS)相关,该信号是在图像呈现半秒后基于短暂提取获得的。我们的假设是,一组全局影像组学特征(GRFs),包括一阶统计量(FOS)和基于GLCM的特征,能够区分产生强要点信号(即高要点)的乳腺X线摄影纹理与产生弱要点信号(即低要点)的纹理。因此,本实验研究旨在(i)探索从乳腺X线摄影图像中提取的包含FOS和基于GLCM统计量的GRFs集合是否能预测高要点图像与低要点图像,以及(ii)识别驱动GGS的最重要GRFs。我们仅关注要点谱的两个极端(最高和最低要点图像),以确保在最大水平上实现它们之间的明显差异。此外,乳腺X线摄影图像的纹理特征已被证明与乳腺癌(BC)的存在35,36及BC风险升高37相关。因此,我们纳入了无癌正常病例、含癌病例和高风险个体的图像,并分别考虑每个类别,以确保我们的模型捕捉的不是与BC存在或BC风险升高相关的信号,而是要点信号。
除了增强我们对处理复杂纹理时要点信号本质的理解外,本研究还可为筛查性乳腺X线摄影中的放射学误差提供见解。识别正常图像中提示异常强要点(假阳性(FP))的特征以及漏诊癌症病例中提示弱要点(假阴性(FN))的特征,有助于教育放射科医生了解FP和FN病例的可能表现,从而更好地监测并大幅减少其诊断误差。由于BC是全球女性癌症相关死亡的主要原因,且乳腺X线摄影筛查解读的效率在很大程度上取决于临床放射科医生的视觉专业知识,因此FP和FN等误差具有重要意义。38 FP误差可引发每年近30亿美元(以美国为例)的巨额医疗支出以及患者焦虑和抑郁的增加,而FN错误则可能因BC检测延迟而导致治疗并发症增加和总生存期降低。39,40 因此,更好地理解筛查性乳腺X线摄影解读中诊断误差的潜在原因至关重要。
材料与方法
所有实验程序的机构伦理批准已获得悉尼大学人类研究伦理委员会批准(方案编号2020/324)。在数据收集之前,已获得所有参与研究受试者的知情同意。
参与者
17名澳大利亚和新西兰的放射科医生和乳腺医生被邀请参与本研究。这些阅片者通过参与之前的要点实验15被认定为“要点专家”,在该实验中他们展示了在乳腺X线摄影图像中检测异常可靠且准确要点的卓越能力。有关其选择和认定的完整细节已在先前的一项研究15中描述,该研究还表明,这些“要点专家”的卓越能力与诸如阅读乳腺X线摄影的年限或每周解读乳腺X线摄影的数量等因素无关。共招募了13名阅片者(11名放射科医生和2名乳腺医生)。
在数据收集之前,通过在线问卷收集了13名参与者的特征和一般工作量详情(表1)。大多数参与者为女性(77%)、放射科医生(85%),以兼职方式(69%)作为国家筛查项目BreastScreen Australia的筛查阅片者(92%),未接受过专科进修培训(62%),但与大学或教育机构有关联(54%)。在参与要点实验时,参与者平均每周花费9.5小时阅读乳腺X线摄影,每周阅读237例筛查病例。其中,70%的时间用于阅读乳腺图像,而24.6%的时间用于阅读诊断性乳腺X线摄影。参与者的认证BreastScreen阅片者年限中位数为17.5年,注册为筛查阅片者的年限为21年,阅读乳腺X线摄影的年限为21.5年。在那些接受过乳腺X线摄影阅读专科进修培训的人中,其培训项目中位持续时间为6个月,平均在10年前完成。最后,参与者平均在过去12个月内实施了250例乳腺活检检查,每月与活检病例的放射学-病理学结果进行关联/复核的中位次数为4次,每月参加多学科会议的中位次数为3次。
乳腺X线摄影图像
为了开展本要旨实验和影像组学分析,需要乳腺X线摄影图像和二值(黑白)掩膜。从BreastScreen Australia的档案中获取了一个包含4191幅去标识化头尾位(CC)单侧医学数字成像和通信(DICOM)乳腺X线摄影图像的数据集,这些图像采集自年龄在50至75岁之间的无症状女性。这些图像使用多种厂商的设备获取,即Siemens(德国慕尼黑)、Hologic(Hologic, Inc.,美国马萨诸塞州马尔伯勒)、Sectra(Sectra,瑞典林雪平)、Fujifilm(富士胶片株式会社,日本东京都港区)、Philips(Philips Healthcare,荷兰阿姆斯特丹)和Konica Minolta(日本东京都千代田区丸之内)。接下来,从4191幅DICOM图像生成二值掩膜,使用标准阈值灰度强度值100从背景中提取乳腺区域。出于计算效率的原因(节省计算资源,即时间和内存),随后将DICOM图像和掩膜转换为TIFF格式,并将所有右侧CC图像翻转为左侧,以使所有图像上胸壁均位于左侧。然后根据最大乳腺区域尺寸对TIFF图像和二值掩膜进行裁剪,并用于要旨实验(图1)和影像组学分析(图2)。
由于已有报道表明异常的要旨可呈现于当前和既往图像中3–6,11,13-16,且在我们的分析中要旨强度包含不同水平,因此我们将数据集中所有八种类型的乳腺X线摄影图像均纳入。八种类型分别为“正常”(n = 1409)、“癌症”(n = 923)、“既往-1”(n = 1438)、“既往-2”(n = 419)、“既往-3”(n = 2)、“漏诊”(n = 375)、“既往-可见”(n = 308)和“既往-不可见”(n = 755)。“正常”类别包括经至少两名独立专家放射科医师(超过20年经验)报告并确认无癌症正常的女性当前乳腺X线摄影图像,且随访2年后获取的乳腺X线摄影图像为阴性。“癌症”类别的当前癌症图像包含活检证实的恶性肿瘤。“既往-1”、“既往-2”和“既往-3”分别包含在当前癌症乳腺X线摄影图像之前2年、4年和6年获取的无可见癌症征象的既往乳腺X线摄影图像。“漏诊”、“既往-可见”和“既往-不可见”由两名专家放射科医师使用“既往-1”类别图像进行分类,若两名专家放射科医师之间存在分歧,则由第三名专家放射科医师作为仲裁者进行分类41。这三个类别分别包括既往乳腺X线摄影图像中有可操作发现(即召回)、无可操作发现(即不召回)以及无可见癌症征象但报告为正常、而后续筛查显示活检证实癌症的图像。
收集整体印象评分
为从13名参与者中收集整体印象信号/评分,使用了先前开发的多观察者整体印象实验方案4。参与者被要求分11批(每批随机选取381幅图像)评估4191幅头尾位(CC)图像,并基于0至100的量表提供图像异常的概率/整体印象评分(0 = 完全确信图像正常,100 = 绝对确信图像异常)。数据收集过程(图1)的详细描述已在先前研究中提供。42考虑到整体印象的观察者内和观察者间变异性较低,随后将收集自13名放射科医师(均为专家且彼此整体印象评分一致)的整体印象评分取平均值用于分析,获得每幅图像一个整体印象评分,并消除整体印象信号的噪声。11,14
高整体印象与低整体印象图像的分类
为识别高整体印象与低整体印象图像,使用每幅图像的平均整体印象评分,分别基于包含最高和最低整体印象评分图像的第75百分位数和第25百分位数,将图像分为高整体印象和低整体印象。这总共得到1048幅高整体印象和1048幅低整体印象图像(即“全部”图像类型,包括“Prior-3”图像,其图像数量不足,n = 2,无法形成自身分组),“正常”类型中162幅高整体印象和497幅低整体印象,“癌症”类型中545幅高整体印象和71幅低整体印象,“Prior-1”类型中268幅高整体印象和370幅低整体印象,“Prior-2”类型中73幅高整体印象和110幅低整体印象,“遗漏”类型中117幅高整体印象和80幅低整体印象,“Prior-可见”类型中59幅高整体印象和68幅低整体印象,“Prior-不可见”图像类型中92幅高整体印象和222幅低整体印象(表2)。为突出最高和最低整体印象图像之间的明显差异,分析中仅使用这些上四分位数和下四分位数范围内的图像。
影像组学与统计分析
使用4191幅图像和掩膜,通过手工特征方法43和我们基于MATLAB的内部程序,从每幅图像中提取了一组130个全球放射组学特征(GRFs)。该方法基于通过MATLAB二值腐蚀算法识别出的感兴趣区域,使用半径为100(从原点到圆盘边缘的距离)的圆盘形结构元素44–46,以排除乳腺X线摄影中供应商后处理过的背景皮肤-空气区域,从而获得真实的乳腺组织区域。47选择腐蚀算法是因为它是数学形态学图像处理中最可靠的方法之一,已被广泛用于精确提取ROI和消除图像中的噪声。46这些特征包括110个基于GLCM的纹理特征和20个基于FOS的特征,这些特征已被证明是乳腺X线摄影表现的有价值描述符,分别用于测量相邻像素间空间相互关系的对比度值48–50以及图像感兴趣区域内单像素强度值的分布49,50(表3)。
为了预测高印象与低印象图像,从相应图像类型(“全部”、“正常”、“癌症”、“既往-1”、“既往-2”、“漏诊”、“既往-可见”和“既往-不可见”——表2)中提取的130个GRFs随后被用于构建八个独立的机器学习(ML)随机森林分类器(全部、正常、癌症、既往-1、既往-2、漏诊、既往-可见和既往-不可见),基于使用自助聚合方法的500棵决策树的集成。51,52选择具有自助聚合技术的随机森林是因为其内置的特征选择功能可以最大限度地减少特征过拟合和不平衡数据问题(即,对少数类中的独特观测值进行过采样以平衡数据),并自动估计特征重要性以生成可解释的分类器。53,54每个预测模型的有用特征还通过MATLAB预测变量重要性算法估计的重要性得分的特征重要性分析来识别。为了根据每个模型的总重要性得分确定有用的GRFs,使用了探索性因子分析的碎石检验55。重要性得分显示了每个特征在模型中构建决策树时的有用性,较大的值意味着对模型所做预测的影响更大。
在评估模型性能时,我们使用10折交叉验证方法53,56对每个模型进行训练和验证,这是一种可靠、无偏且准确的验证方法,用于估计模型的泛化性能。这涉及将数据集随机分成10组,第一组使用一次来测试模型的预测性能,其余组用于训练模型。该过程重复10次,直到每组被用作一次测试集。然后使用受试者工作特征曲线下面积(AUC)来评估模型区分高印象与低印象图像的总体性能。
使用MATLAB R2022a(MathWorks,Natick,MA,USA)完成所有放射组学和统计分析。
结果
预测高印象与低印象图像的GRFs
八种模型(全部、正常、癌症、先验-1、先验-2、漏诊、先验-可见、先验-不可见)的总体性能如图3所示。在区分高整体印象与低整体印象图像时,先验-可见模型达到最高AUC,为0.84(95% CI,0.77-0.91),其次是先验-不可见(0.83,0.77-0.87)、正常(0.82,0.79-0.86)、先验-1(0.81,0.79-0.85)、全部(0.79,0.77-0.81)、先验-2(0.77,0.68-0.83)、漏诊(0.75,0.70-0.81)和癌症模型(0.69,0.65-0.75)。
重要全局放射组学特征(GRFs)
表3和图4显示了八种模型中各自得出的130个GRFs的特征重要性评分。在比较每个单独模型中各特征的重要性评分(从高到低排序)时(图5),有五个特征在大多数模型中显得重要。这些特征为:灰度共生矩阵(GLCM)的聚类阴影(特征编号26-30,跨五个方向计算)48–50、一阶统计量(FOS)的标准差(特征编号112)、偏度(特征编号113)、峰度(特征编号114)和范围(特征编号129和130,跨两个维度计算)49,50。聚类阴影是图像中对称分布的度量。标准差描述灰度强度相对于均值的变异或离散程度。偏度是分布不均匀性的度量。峰度测量图像中分布的极端值。此外,范围描述图像灰度值的第95百分位与第5百分位之间的差异(特征编号129),以及第99百分位与第1百分位之间的差异(特征编号130)。
讨论
近50年来,研究表明,在医学图像解读和诊断过程中,对图像的整体快速视觉印象(即GGS)能够传达大量关于图像异常的有用信息,旨在显著减少假阴性(FN)和假阳性(FP)错误。2,18,26 近年来的医学图像感知研究已认识到GGS的存在,并证明其对于提供乳腺癌(BC)存在的信息具有价值,有助于改善早期BC检测和未来风险预测。3–6,13-16 然而,关于哪些全局计算机提取的图像特征与GGS的强度相关,目前知之甚少。21 在此,我们首次采用影像组学方法43,在既往工作基础上评估驱动直觉信号强度的全局影像组学特征(GRFs)。我们假设高直觉乳腺X线摄影图像的GRFs不同于低直觉图像,依据是影像组学在乳腺X线摄影中的有效性43以及GGS在识别图像异常方面独立于病变特征(如乳腺密度)的作用。3–5,11,13,14,16,24 我们还考察了哪些特征对于区分高直觉与低直觉乳腺X线摄影图像更为重要。
我们的八个机器学习(ML)分类模型(全部、正常、癌症、既往-1、既往-2、漏诊、既往-可见、既往-不可见)的结果表明,GRFs能够准确区分高直觉与低直觉图像,曲线下面积(AUC)高达0.84(图3)。有趣的是,尽管GGS已被证明有助于预测癌症图像,4,13 但我们研究中的“癌症”模型在区分高直觉与低直觉癌症乳腺X线摄影图像时,AUC值较小,为0.69,而其他七个模型的AUC为0.75-0.84。这可能是因为“癌症”图像类别中高直觉(n = 545)与低直觉(n = 71)图像之间存在较大的数据不平衡(n = 474),使得“癌症”模型难以最优地学习差异,从而限制了其预测能力。尽管如此,我们总体上令人鼓舞的发现(即AUC高达0.84)表明GRFs在预测高直觉图像方面具有重要意义,有望用于指导GGS的合理使用,以支持BC检测和预测过程。
此外,如果GGS可被视为一种BC风险因素,类似于乳腺密度或遗传风险因素,我们的工作或可作为补充性人工视觉智能工具,向临床医生提示乳腺X线摄影筛查中发现阳性癌症结果的风险升高。3,5,13 它还可用于增强近期的深度学习模型57,以进一步提高筛查乳腺X线摄影中BC检测的准确性,尤其是因为GGS已被证明有助于改善深度学习模型检测BC的性能。14 这不仅有助于降低FP和FN错误的可能性,还可优化个性化筛查策略(如缩短筛查间隔),并增加BC早期发现的机会,从而改善治疗结局和生存率。反之,仍需更多研究努力来进一步评估和验证其临床实用性。
有趣的是,尽管研究3,58表明,未来癌性异常的GGS可以在高通滤波乳腺X线摄影的实质纹理精细细节中被检测到,但其他工作揭示,放射科医生在区分异常与正常乳腺X线摄影时,是在对任何图像区域进行详细的中央凹处理之前,利用低分辨率周边视觉提取GGS的。1,10,24 我们的发现支持基于FOS和GLCM的二阶纹理特征与放射科医生周边视觉所提取的GGS的相关性。先前研究3,13表明,观察者未能利用此类gist信号定位BC,这表明医学图像背景下的gist信号与基础视觉科学的发现一致,即观察者在涉及区分相位差异59的任务中表现困难,并在定位平分线60时表现出不确定性。为超越定性证据,需要关于周边“纹理处理”及其与乳腺X线摄影相关性的具体提议。目前捕捉纹理外观模型的最佳理论是纹理平铺模型61,62,该模型认为视觉系统在局部池化区域上使用初级视觉皮层的二阶统计量计算汇总统计量。
在基础视觉科学的背景下,非医学图像中纹理特征在识别自然场景全局gist中的重要性被发现。29–31 我们基于乳腺医学图像的工作也显示了类似结果,即从ML模型中发现了五个有用特征,包括一个基于GLCM的纹理特征和四个基于FOS的特征(表3)。与基础视觉科学研究的建议相一致,33,34,63 与一阶亮度显著差异相关的特征,即range和standard_deviation,是分类任务中的重要特征之一。特别是,range5(特征编号129)似乎在除Normal外的所有模型中都有价值,表明大多数图像类型中的高GGS可能由图像灰度值的总体低range(第95百分位与第5百分位之间的差值)所驱动,类似于癌症特征。同样,在二阶特征中,cluster shade(特征编号26-30)在除一个任务外的所有任务中均表现出重要性,提示“乳腺X线摄影纹理的均匀性”可能有助于放射科医生对病例异常性的初步印象。在这种情况下,这些特征可用作图像中是否存在强烈异常gist的指标,这可能有助于BC的早期检测和风险预测。然而,需要更大规模的研究来进一步检验这些特征的有效性。
我们的研究存在一些局限性。首先,这是第一项探索性研究,旨在基于十三位“格式塔专家”的格式塔评分,研究从130幅头尾位(CC)单侧视角乳腺X线摄影图像中提取的手工设计的全局放射组学特征(GRFs)(即110个基于灰度共生矩阵(GLCM)的纹理特征和20个基于一阶统计量(FOS)的特征)预测高格式塔评分与低格式塔评分图像的能力。本研究未使用内外侧斜位(MLO)视角。在格式塔实验中,读者查看了完整图像,但图像的背景皮肤-空气区域必须使用腐蚀算法排除,因为该区域已被供应商增强,需要获得真实的乳腺区域以提取GRF。结果可能仅适用于图像和格式塔专家特征/背景(例如,具有高筛查工作量的筛查阅片者)与研究中所用样本相似的情况。其次,有用GRFs是根据其重要性评分通过碎石检验确定的(图4),对于某些模型而言,这可能不够明确,例如与Normal模型相比的Missed模型。此外,仅使用“Prior-1”图像(在当前癌症乳腺X线摄影前两年获取)来分类“Missed”、“Prior-Visible”和“Prior-Invisible”图像。与所有模型构建一样,模型的输出受输入模型参数的约束。因此,后续研究应检查在2年前以上获取的其他既往乳腺X线摄影图像、MLO视角、原始图像和高通滤波双侧乳腺X线摄影图像、数字乳腺断层合成图像,以及来自其他供应商(例如,GE,GE Healthcare,Chicago,IL,USA)的图像。这些图像可能也包含提示异常和/或未来恶性肿瘤风险增加的有价值信息,因此可能产生不同的格式塔评分和GRFs。此外,来自其他地点并使用其他形态学图像处理方法(如腐蚀和闭运算)的格式塔专家可能产生不同结果。最后,其他潜在重要的GRFs(例如,聚类突出性,特征编号21-25)和GRF类型(例如,深度学习特征)也应进行分析。
结论
综上所述,本研究表明,从乳腺X线摄影图像中提取的一组定量GRFs能够准确预测高格式塔评分与低格式塔评分图像,并发现和强调了五个有用的GRFs(一个基于GLCM的纹理特征和四个基于FOS的特征)。这些发现对于更好地理解驱动格式塔评分强度(GGS)的乳腺X线摄影图像特征至关重要,可用于推进乳腺癌(BC)筛查和风险预测,实现BC的早期发现和治疗,从而进一步减少BC相关死亡。
引用
- Siviengphanom S, Lewis SJ, Brennan PC, et al. Computer-extracted global radiomic features can predict the radiologists' first impression about the abnormality of a screening mammogram. Br J Radiol. 2024. PMID: 38263826. doi:10.1093/bjr/tqad025
- 全文:PMC11027311(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11027311/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。