Machine learning based on automated breast volume scanner (<scp>ABVS</scp>) radiomics for differential diagnosis of benign and malignant <scp>BI‐RADS</scp> 4 lesions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract BI‐RADS category 4 represents possibly malignant lesions and biopsy is recommended to distinguish benign and malignant. However, studies revealed that up to 67%–78% of BI‐RADS 4 lesions proved to be benign, but received unnecessary biopsies, which may cause unnecessary anxiety and discomfort to patients and increase the burden on the healthcare system. In this prospective study, machine learning (ML) based on the emerging breast ultrasound technology‐automated breast volume scanner (ABVS) was constructed to distinguish benign and malignant BI‐RADS 4 lesions and compared with different experienced radiologists. A total of 223 pathologically confirmed BI‐RADS 4 lesions were recruited and divided into training and testing cohorts. Radiomics features were extracted from axial, sagittal, and coronal ABVS images for each lesion. Seven feature selection methods and 13 ML algorithms were used to construct different ML pipelines, of which the DNN‐RFE (combination of recursive feature elimination and deep neural networks) had the best performance in both training and testing cohorts. The AUC value of the DNN‐RFE was significantly higher than less experienced radiologist at Delong's test (0.954 vs. 0.776, p = 0.004). Additionally, the accuracy, sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV) of the DNN‐RFE were 88.9%, 83.3%, 95.2%, 83.3%, and 95.2%, which also significantly better than less experienced radiologist at McNemar's test ( p = 0.043). Therefore, ML based on ABVS radiomics may be a potential method to non‐invasively distinguish benign and malignant BI‐RADS 4 lesions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle