文献速递乳腺乳腺X线

人工智能支持对乳腺断层摄影图像解读准确性和阅读时间的影响:多阅片者多病例研究

Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study.
PubMed 文献 · Eur Radiol · 2021-05-04

该多阅片者多病例研究纳入240例双侧宽角数字乳腺断层摄影检查,由18名乳腺放射科医师在有或无AI支持条件下判读。使用AI支持后平均AUC从0.833升至0.863(p=0.0025),平均阅读时间从41秒降至36秒(p<0.001),敏感度从74.6%升至79.2%(p=0.016),特异度维持不变。AI系统独立AUC为0.840,非劣于平均放射科医师。

要点

  • AI支持使乳腺断层摄影判读平均AUC提高0.030(从0.833至0.863,p=0.0025),18名阅片者中16名AUC升高。
  • AI支持使每例平均阅读时间从41秒降至36秒(降低11%,p<0.001),且检查层面AI评分越低阅读时间缩短越明显(最低分者降低30%)。
  • AI支持使平均敏感度从74.6%升至79.2%(p=0.016),特异度维持不变(相对差异+1.1%,p=0.380);AI独立AUC 0.840非劣于平均放射科医师(+0.007,p=0.8115)。

核心结论

  • 放射科医师使用AI阅读支持系统评估数字乳腺断层摄影检查时,癌症检测准确性和敏感度提高,同时阅读时间缩短。
  • AI系统独立乳腺癌检测性能非劣于放射科医师阅读数字乳腺断层摄影的平均性能。
  • 使用AI支持系统可能使先进且更可靠的影像技术更易获取,并可能实现更具成本效益的数字乳腺断层摄影乳腺筛查项目。

研究设计与样本

  • 研究类型为符合HIPAA的全交叉全随机多阅片者多病例研究,纳入18名放射科医师,对同一系列宽角数字乳腺断层摄影检查在有和无AI支持两种条件下各判读一次。
  • 共纳入240例双侧数字乳腺断层摄影检查(71个乳腺含癌病灶、70个乳腺含良性发现、339个正常乳腺),来自2011年5月至2014年2月美国7个临床中心的前瞻性临床试验数据集(方案编号NCT01373671),平均年龄56.3±9.8岁。
  • 所有检查使用Mammomat Inspiration(Siemens Healthineers)以标准曝光设置采集双侧两视图(头尾位/内外斜位)数字乳腺断层摄影,扫描角度为宽角50°,并重建生成对应的合成乳腺X线摄影图像。
  • 参考标准基于病理和影像报告,由参与病例选择但不参与观察者研究的放射科医师审核,包括癌症位置和影像学特征、良性病灶位置或确认正常状态。
  • AI支持系统为Transpara™ 1.6.0(ScreenPoint Medical BV),基于深度卷积神经网络,向阅片者显示1至10的检查层面癌症可能性评分(筛查环境中约10%的乳腺X线摄影被赋予各评分)及1至100的病灶可疑度评分。

关键影像表现/征象

  • AI支持使平均AUC从无支持时的0.833(95%CI=0.799–0.867)升至0.863(95%CI=0.829–0.898),差异+0.030(95%CI=0.011–0.049),p=0.0025。
  • 18名阅片者中16名(89%)使用AI支持后AUC升高,改善范围为+0.010至+0.088。
  • 使用AI支持时平均阅读时间从41秒(95%CI=39–42秒)降至36秒(95%CI=35–37秒),差异−11%(95%CI=−8%,−13%),p<0.001。
  • 使用合成乳腺X线摄影图像和交互式导航的阅片者阅读时间从39秒降至32秒(差异−19%,95%CI=−16%,−22%),无这些功能者从42秒降至40秒(差异−4%,95%CI=−1%,−7%)。
  • AI系统独立AUC为0.840(SE=0.034),较平均无支持放射科医师AUC高+0.007(95%CI=−0.048,0.062),非劣性检验p=0.8115。

诊断标准与关键数值

  • 主要终点为乳腺层面受试者工作特征曲线下面积(AUC),使用每个乳腺的可疑度评分构建ROC曲线。
  • 敏感度和特异度分析中,乳腺BI-RADS评分≥3分定义为阳性。
  • 敏感度非劣性界值δ=0.05,特异度非劣性界值δ=0.05;AI独立AUC非劣性界值δ=0.05。
  • 使用AI支持时平均敏感度从74.6%(95%CI=68.3–80.8%)升至79.2%(95%CI=73.3–85.1%),相对差异+6.2%(95%CI=1.3–11.1%),p=0.016。
  • 特异度维持不变,相对差异+1.1%(95%CI=−1.3%,3.5%),p=0.380。

临床应用与阅片要点

  • AI支持系统可同时显示检查层面癌症可能性评分和区域层面可疑度评分,阅片者可结合合成乳腺X线摄影图像上的标记进行交互式导航定位。
  • 阅读时间缩短幅度与AI系统检查层面评分相关:评分最低的检查阅读时间缩短最明显(−30%),提示阅片者对AI判为最可能正常的检查可更有信心地减少阅读时间。
  • 使用合成乳腺X线摄影图像和交互式导航功能时阅读时间缩短幅度更大(−19% vs −4%),提示阅读环境的功能配置是影响AI辅助效率的重要因素。
  • 作者认为AI独立性能与放射科医师相当,可能可探索超越并行阅读的实施策略,如利用AI对筛查工作量进行有效分诊,识别高阴性预测值的大量正常检查以探索单阅片甚至免除放射科医师评估的替代策略。

局限性

  • 本研究使用癌症富集数据集而非临床环境中连续收集的筛查乳腺X线摄影样本,这可能不完全代表真实筛查情况,该差异对结果的影响程度未知。
  • AI支持在数字乳腺断层摄影筛查中的有效性仍需评估:本研究结果应作为前瞻性研究的起点,聚焦于临床和筛查环境中使用AI对数字乳腺断层摄影的影响。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2021 May 4;31(11):8682–91. doi: 10.1007/s00330-021-07992-w

引言

近年来,多项临床试验已证明,与二维乳腺X线摄影相比,使用数字乳腺断层合成(DBT)作为乳腺癌筛查方式可改善筛查结果,提高癌症检出率并减少召回[1–3]。尽管尚未证明间隔期癌症的发生频率有所降低[4],但检出率的提高之所以可能,是因为DBT可生成乳腺的伪三维容积图像,部分克服了任何二维成像技术的主要局限性之一:组织重叠[5]。然而,将DBT引入作为筛查方式仍面临困难。与解读二维乳腺X线摄影图像相比,解读DBT筛查检查所需时间显著更长[6, 7]。特别是在检查采用双读模式的机构中,如大多数欧洲筛查项目,专业乳腺放射科医师的日益短缺[8]降低了DBT推广的潜力。基于深度学习的人工智能(AI)系统在放射学领域正迅速受到关注,尤其是在乳腺影像学方面[9]。目前AI系统用于乳腺X线摄影的独立性能正在接近、甚至已经超过放射科医师的性能[10–13]。这可能产生一些工具,以更少的人工交互来支撑当前基于乳腺X线摄影的乳腺癌筛查项目,甚至提高筛查的整体质量[14, 15]。在DBT筛查中提供AI支持可通过提高放射科医师的乳腺癌检出性能、使放射科医师更快地阅读DBT检查[16, 17]或对检查进行分诊[15]来提高成本效益。

首批研究AI在DBT解读过程中作用的研究使用的是窄角DBT检查(扫描角度为20°或更低)[16]。然而,DBT的技术规格在不同DBT系统厂商之间差异很大,导致所得图像与乳腺X线摄影相比存在更显著的差异[18]。这主要是由于不同机器型号的角度范围、重建及其他后处理算法的差异所致。从技术上讲,较宽的角度可提供更高的深度分辨率[18],可能有助于更好地将病灶与重叠的纤维腺体组织分离,但可能导致钙化 depiction 较差[5]。

本研究评估了一个AI支持系统在广角DBT中对放射科医师准确性和阅读时间的影响,该系统此前已在二维乳腺X线摄影中经过验证[10, 11, 15]。研究假设是,放射科医师在AI支持下检测恶性肿瘤的平均性能优于无辅助阅读。此外,研究旨在证明AI支持是否能在保持或提高敏感度和特异度的同时改善放射科医师的平均阅读时间,并将AI系统的独立检测性能与平均放射科医师进行比较。

材料与方法

开展了一项符合HIPAA要求的全交叉全随机多读者多病例(MRMC)研究,由18名放射科医师对一系列广角DBT检查进行两次阅读,分别在有无AI支持的情况下进行。

研究人群

病例收集

本研究纳入360例:110例活检证实的癌症病例、104例良性病例(经活检或至少6个月随访证实)以及146例随机选取的阴性病例(至少1年随访)。病例取自既往一项经机构审查委员会(IRB)批准、方案编号为NCT01373671的临床试验数据集[19, 20]。数据于2011年5月至2014年2月期间从美国七个临床中心收集,这些中心代表了在美国接受筛查和诊断性数字乳腺断层摄影(DBT)检查的女性。平均年龄为56.3 ± 9.8(标准差)岁。每例均包括使用Mammomat Inspiration(Siemens Healthineers)以标准曝光设置采集的双侧两体位(头尾位/内外斜位,CC/MLO)DBT检查,并使用最新算法(EMPIRE)重建,同时生成相应的合成乳腺X线摄影(SM)图像[21]。该DBT系统具有50°宽扫描角度。该数据未用于人工智能支持系统的开发。

病例选择方案

病例选择旨在获得具有挑战性且具有代表性的观察者评估集。排除标准如下:乳房植入物、质量欠佳(由分别具有14年和38年乳腺影像经验的放射科医师和放射技师判定)、图像数据缺失或真实结果数据缺失。排除并进行功效分析[22]后,为达到至少0.8(80%)的功效以检验本研究的主要假设,我们目标选取110例阴性病例、65例良性病例和65例恶性病例。阴性和良性病例随机选取以避免选择偏倚。恶性病例选择的目标是纳入所有归类为“细微”的病例,以及尽可能多的“中等细微”病例,同时至少随机选取5例“明显”病例。为达到65例恶性病例的目标样本量,由三位乳腺放射科医师(分别具有14年、39年和5年乳腺X线摄影经验;5年、5年和5年DBT经验)独立判定细微度评分(1,“细微”;2,“中等细微”;3,“明显”),意见不一致时由第三位作为仲裁者。

参考标准

对于每例病例的每侧乳房,基于病理和影像报告的参考标准以电子格式提供,并由参与病例选择过程(未参与观察者研究)的放射科医师审核,包括癌症的位置和影像学特征、良性病变的位置或确认的正常状态。

人工智能支持系统

观察者评估期间使用的人工智能支持系统为Transpara™ 1.6.0(ScreenPoint Medical BV)。该系统基于深度卷积神经网络[23, 24],可自动检测来自不同厂商的2D和DBT乳腺X线摄影中可疑为乳腺癌的病变。结果以两种不同方式呈现给放射科医师:1至10分的评分,表示乳腺X线摄影中存在可见癌症的可能性递增。在筛查环境中,每个评分约分配至10%的乳腺X线摄影。

最具可疑性的发现被标记,并给出癌症可疑度评分(LOS)(1–100)。

该系统已在先前使用独立数据集进行的临床研究中,针对二维乳腺X线摄影(2D mammograms)进行了验证[10, 11, 15]。该系统使用一个专有数据库进行了训练和测试,该数据库包含超过1,000,000幅二维乳腺X线摄影和数字乳腺断层合成(DBT)图像(其中超过20,000幅含癌症),这些图像由来自欧洲、美洲和亚洲10个国家的十几家机构(学术和私立健康中心)的五家不同乳腺X线摄影设备制造商的机器采集。

每幅入选的DBT乳腺X线摄影图像均由人工智能(AI)系统处理。该分析结果在观察者评估期间展示。放射科医师可同时使用AI系统,无论是否配备相应的合成乳腺X线摄影(SM)和交互式导航支持。交互式导航支持包括:单击SM上显示的标记即可自动访问AI算法检测到异常的DBT层面。

观察者评估

场次与培训

观察者评估由两部分组成。检查被读取两次,分别在有和无AI支持的情况下进行,两次读取之间至少间隔4周的洗脱期。病例顺序和AI支持的可用性对每位放射科医师随机化。

在AI支持可用的病例评估期间,测试了两种阅片方案。一半放射科医师(读片者1–9)在可访问相应SM和交互式导航支持的情况下读取检查,而另一半(读片者10–18)在没有这些功能的情况下读取检查,仅在三维DBT堆栈中显示AI发现。

为在参与研究前熟悉AI系统和工作站,所有放射科医师通过评估一组50例DBT检查(未纳入研究)接受了培训。放射科医师对患者病史及所纳入DBT影像检查中不可见的任何其他信息设盲。

报告

放射科医师使用DBT检查阅片工作站和一台12MP DBT认证诊断彩色显示器(Coronis Uniti,Barco),该显示器校准至DICOM灰度标准显示功能。工作站通过时间戳追踪界面中的读片者操作。

对于每个病例,放射科医师被指示执行以下操作:在每个可见视图中标记病灶的三维位置

为每个病灶指定一个恶性可能性评分(LOS)

为每侧乳腺提供一个BI-RADS分类(1、2、3、4a、4b、4c或5)。

读片者

所有放射科医师均获得美国放射学委员会(American Board of Radiology)认证,具备根据《乳腺X线摄影质量标准法案》(MQSA)解读乳腺X线摄影的资质,并在临床实践中积极从事DBT检查的阅片工作。一半读片者在过去3年中将少于75%的专业时间用于乳腺影像,而另一半投入的时间更多。读片者具备MQSA资质的中位经验为9年(范围2–23年),每年读取的二维或DBT乳腺X线摄影检查的中位量为4200例(1000–18,000)。所有读片者在研究时均在临床实践中读取DBT检查。

终点与统计分析

主要假设

主要假设是:放射科医师在使用AI阅片支持进行DBT恶性肿瘤检测时,其乳腺水平受试者工作特征(ROC)曲线下面积(AUC)的平均值优于无辅助阅片。该假设针对以下零假设进行检验:放射科医师在AI支持下的平均乳腺水平AUC与其无辅助时的平均AUC等效。p < 0.05表示两种阅片条件之间存在统计学显著差异。

使用Tabata等人开发的统计软件包[25]进行AUC优越性分析,采用Obuchowski和Rockette方法,并在计算读者与模态间的协方差时加以调整以考虑聚类数据[26, 27]。

ROC曲线基于每侧乳腺分配的LOS构建。计算了标准误(SE)和95%置信区间(CI)。

次要假设

若主要假设成立,则按(层次化)固定顺序评估四项次要假设,以在显著性水平α = 0.05下控制I类错误率。i. 放射科医师使用AI辅助进行DBT检查的平均阅片时间优于(短于)无辅助条件下DBT检查的平均阅片时间。

使用广义线性混合效应(GLME)模型比较不同阅片条件下每次DBT检查的平均阅片时间,并考虑多名读者的重复测量[28]。ii. 放射科医师使用AI辅助阅读DBT检查的平均敏感度不劣于/优于无辅助阅读DBT检查,预设非劣效性界值δ为0.05。

放射科医师使用AI辅助阅读DBT检查的平均特异度不劣于/优于无辅助阅读DBT检查,预设非劣效性界值δ为0.05。

分析按照主要假设中AUC比较所描述的方法进行,并相应格式化输入数据。若放射科医师赋予BI-RADS评分≥ 3,则该乳腺被视为阳性。iv. 独立AI系统的AUC不劣于放射科医师无辅助阅读DBT检查的平均乳腺水平AUC,预设非劣效性界值δ为0.05。

使用公共领域的iMRMC软件(版本4.0.3,Division of Imaging, Diagnostics, and Software Reliability, OSEL/CDRH/FDA),该软件也可处理单读者数据(AI系统)[29]。

结果

研究人群

图1显示了病例选择流程图。所选样本的特征详见表1和表2。数据选择过程中未发现方案偏离。

图1 女性通过研究的流程图,从数据收集到用于观察者评估的数据选择 查看原图 ↗
表1 用于观察者评估的240例病例队列在病例、乳腺和病灶层面的真实状态 查看原表 ↗
表2 用于观察者评估的240例病例队列的特征,包括病灶的病理学和形态学特征。 查看原表 ↗

对乳腺癌检出准确性的影响

所有读者均按计划完成了阅片会话;共收到8640份病例报告(240 × 18 × 2),无缺失数据。

放射科医师使用AI辅助后DBT检出性能显著提高。平均AUC从0.833(95% CI = 0.799–0.867)增至0.863(95% CI = 0.829–0.898),p = 0.0025(差值 + 0.030,95% CI = 0.011–0.049)。平均ROC曲线见图2。各读者的差异见表3。18名读者中有16名(89%)使用AI辅助后AUC更高;提高幅度为 + 0.010至 + 0.088。

描述性分析显示,使用AI辅助后AUC改善存在于所有亚组中:病灶类型(软组织病灶病例 + 0.022 [95% CI = −0.005, 0.049],钙化病例 + 0.046 [95% CI = 0.015, 0.077])

阅片方案(使用SM和交互式导航的放射科医师 + 0.041 [95% CI = 0.019, 0.063],单独阅读DBT的放射科医师 + 0.020 [95% CI = −0.004, 0.044])

放射科医师的专业化程度(过去3年内将超过75%的专业时间用于乳腺影像的放射科医师为+0.020 [95% CI = −0.007, 0.047],其余为+0.038 [95% CI = 0.022, 0.054])。

图2 放射科医师在无辅助条件下阅读乳腺断层合成(DBT)以及在人工智能(AI)支持同步辅助下阅读DBT检查的平均受试者工作特征曲线(ROC)。ROC曲线下面积差异显著,+0.03,p = 0.0025 查看原图 ↗
表3 每位放射科医师在无辅助阅读乳腺断层合成与在AI支持下阅读乳腺断层合成之间受试者工作特征曲线下面积(AUC)和阅读时间的差异。Rad,放射科医师;SE,标准误;CI,置信区间。> 75% = 过去3年内超过75%的时间用于乳腺影像 查看原表 ↗

对阅读时间的影响

使用AI支持时,每次DBT检查的平均阅读时间显著短于无辅助阅读(36秒,95% CI = 35–37秒)对比(41秒,95% CI = 39–42秒);差异为−11%(95% CI = −8%, −13%),p < 0.001(表3)。描述性而言,无论乳腺密度如何(低乳腺密度:−13%(95% CI = −10%, −16%);高乳腺密度:−10%(95% CI = −7%, −13%))或阅读方案如何,使用AI支持时阅读时间均较短。然而,使用2D SM图像和交互式导航时减少幅度更大(7/9名放射科医师缩短,从39秒降至32秒,差异为−19%,95% CI = −16%, −22%),而不用这些工具时减少幅度较小(5/9名放射科医师缩短(56%),从42秒降至40秒,差异为−4%,95% CI = −1%, −7%)。

使用AI支持所实现的阅读时间缩短与AI系统所赋予的检查层面评分相关:检查层面评分最低者缩短幅度更大(−30%)(见图3)。图4展示了一个示例,其中放射科医师在使用AI支持时一致地更快阅读该检查。

图3 使用合成乳腺摄影和交互式导航功能的放射科医师在无辅助阅读乳腺断层合成检查与在AI支持下阅读之间阅读时间(%)的平均差异,作为AI系统所赋予检查层面评分的函数 查看原图 ↗
图4 一位无癌症女性的乳腺断层合成检查(合成图像),AI系统给出的检查层面癌症可能性评分为1(最低)。在辅助阅读该病例时,17/18(94%)名放射科医师阅读该检查更快,平均阅读时间缩短−54%(从36秒降至19秒) 查看原图 ↗

对灵敏度和特异度的影响

使用AI支持后,放射科医师的癌症检出灵敏度显著提高。平均灵敏度从74.6(95% CI = 68.3–80.8%)提高至79.2%(95% CI = 73.3–85.1%),相对差异为+6.2%(95% CI = 1.3–11.1%),p = 0.016。特异度得以维持:相对差异为+1.1%(95% CI = −1.3%, 3.5%),p = 0.380。图5展示了一个示例,其中放射科医师在使用AI支持时一致地提高了灵敏度。

图5 一位右乳存在结构扭曲女性的乳腺断层合成检查,经证实为15-mm浸润性导管癌(放大)。AI系统标记了区域,并分别在头尾位和内外斜位视图上赋予区域评分76和39,检查层面癌症可能性评分为10,为最高类别。在无辅助阅读该病例时,8/18(44%)名放射科医师会召回该女性,而在AI支持下阅读该病例时,该比例增至15/18(83%)名放射科医师 查看原图 ↗

独立人工智能检测性能

人工智能系统的独立AUC为0.840(SE = 0.034),与未辅助放射科医师的平均AUC相比高+0.007(95% CI = −0.048,0.062)。该性能在统计学上为非劣效(p = 0.8115)。描述性而言,独立AUC高于18名放射科医师中10名在无辅助阅读DBT时的AUC。人工智能系统与放射科医师性能相比的独立ROC曲线见图6。

图6 人工智能支持系统的独立受试者工作特征曲线,以及18名单独放射科医师在无辅助(左)或有人工智能支持(右)下阅读乳腺断层合成(DBT)的操作点 查看原图 ↗

讨论

本研究表明,用于DBT的基于深度学习的人工智能系统使放射科医师能够在相似特异度下提高其乳腺癌检测性能的总体准确度和灵敏度,同时减少阅读时间。观察到的准确度改善与该人工智能程序早期版本用于乳腺X线摄影评估以及另一人工智能程序用于窄角DBT评估所报告的结果相当[10, 16]。灵敏度的改善可能有助于减少DBT筛查假阴性的数量,即被忽略或误诊的病变[3],而阅读时间的减少可能使DBT能够在目前认为DBT过于耗时的场所实施筛查。此外,无论放射科医师在临床实践中投入乳腺影像的时间如何,所有放射科医师均观察到AUC的改善。

在同时使用人工智能系统提供阅读支持时,每次DBT检查阅读时间的减少与其他研究相似[16, 17]。然而,阅读时间在很大程度上依赖于用于判读的阅片应用程序的具体功能,以及用于评估DBT检查的确切阅片方案,这使得现有研究之间无法直接比较。例如,Conant等人[16]使用另一款人工智能软件的研究中,平均无辅助阅读时间几乎是我们研究中发现的两倍,但有趣的是,两项研究中人工智能辅助阅读时间相似;每例四视图DBT检查配合2D合成图像约30秒。此外,本研究中观察到为配有SM用于导航的阅片者带来的最大阅读时间减少,提示阅读环境的功能是一个重要因素。

与本人工智能系统先前一项2D乳腺X线摄影研究的结果相似[10],发现阅读时间减少对基于检查的人工智能评分有强依赖性(图3)。这表明,对于最低的基于检查的人工智能评分可实现最大的阅读时间减少,表明阅片者有足够信心在归类为最可能正常的检查上花费更少时间,尽管熟悉人工智能系统的时间相对较短。各类别所得的阅读时间可用于估计人工智能支持在具有代表性的筛查检查系列中的潜力。假设阅片者将使用2D SM图像和交互式导航,筛查人群中的阅读时间减少将约为−20%(95% CI = −16%,−25%)。

使用先前前瞻性收集的数据集中的病例,观察到准确度提高和阅读时间缩短,该数据集由采用大采集角度获得的数字乳腺断层摄影(DBT)检查组成。由于先前的一项研究[10]显示二维乳腺摄影也有类似的改善,人工智能(AI)所诱导的改善很可能适用于整个乳腺摄影技术谱系,这一点得到了以下事实的佐证:该AI系统的独立性能在大角度DBT和二维乳腺摄影中均等同于放射科医师。

由于该AI系统的独立性能等同于放射科医师的性能,探索在AI支持下同步阅读DBT检查之外的实施策略可能是可行的。如同在二维乳腺摄影中一样,使用AI对筛查工作负荷进行高效分诊可能是可行的[14, 15]。通过识别一大组具有高阴性预测值的正常检查,可以探索替代策略,例如在双读时采用单读,甚至将其排除在放射科医师评估之外。

本研究的一个局限性是使用了癌症富集数据集,而非来自临床环境的连续收集的筛查乳腺摄影样本。这是为了允许进行多读者评估并获得足够的发现以得出有用的结论。因此,这可能不能完全代表真实的筛查情况。这种差异在多大程度上影响结果尚不清楚。AI支持在DBT筛查中的有效性仍需评估:本研究结果应作为前瞻性研究的起点,这些研究应聚焦于在临床和筛查环境中使用AI进行DBT乳腺摄影的影响。总之,放射科医师在使用AI支持系统时提高了DBT检查中的癌症检出率,同时缩短了阅读时间。使用AI阅读支持系统可以使DBT筛查项目更具成本效益。

引用

  1. van Winkel SL, Rodríguez-Ruiz A, Appelman L, et al. Impact of artificial intelligence support on accuracy and reading time in breast tomosynthesis image interpretation: a multi-reader multi-case study. Eur Radiol. 2021. PMID: 33948701. doi:10.1007/s00330-021-07992-w
  2. 全文:PMC8523448(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8523448/

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。