BI-RADS assessment of solid breast lesions based on quantitative ultrasound and machine learning
Notice bibliographique
Résumé
Due to promising results of shear wave ultrasound (US) elastography (SWE) and homodyned-K (HK) features in assessing solid breast lesions prior to biopsy, there is a high interest in developing a multi-parametric approach in this context. The goal was to assess the added value of quantitative US (QUS) parameters to SWE and BI-RADS category, based on random forests classifier. US evaluation of breast lesions was performed as per standard clinical practice. For women who gave written consent, 3 SWE images were obtained with an Aixplorer US system (Supersonic Imagine, Aix-en-Provence, France) using a SL15-4 probe. Then, a 1-second cine-loop of radiofrequency images was acquired with the same system and probe, using a different acquisition mode. Then, the radiologist performed percutaneous biopsy as per standard procedure. Breast pathologists performed histopathology analyses. Lesions were anonymized; data analysis was performed on a workstation. The maximum elasticity Emax on each of three regions-of-interest (ROI) - supra-, intra-, and infratumoral - was computed directly from acquired SWE images, for a total of 3 features. For each of the three ROIs on B-mode images, the following HK parametric maps were considered based on previous work: 1) the infratumoral total signal power normalized by the maximal intensity in the ROI; 2) the intratumoral reciprocal of the scattering clustering parameter; 3) the supratumoral coherent-to-diffuse signal ratio; and 4) the supratumoral diffuse-to-total signal power ratio. Eight features were extracted from these maps. The total attenuation coefficient slope, assessed with the spectral fit method, was also computed in the intra- and infratumoral ROIs, for a total of 13 features. One hundred and three women with suspicious solid breast lesions (BI-RADS categories 4-5) were enrolled. When considering all types of features for these 103 lesions, specificity was 55.9% at 98.4% sensitivity. In contrast, BI-RADS category alone yielded a specificity of 27.5% at 97.5% sensitivity, showing the added value of the machine learning classification. Combination of SWE and QUS features yielded a specificity of 16.3% at 97.6% sensitivity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».