AI-based Strategies in Breast Mass ≤ 2cm classification with Mammography and Tomosynthesis: A Retrospective Evaluation
Notice bibliographique
Résumé
Abstract Purpose To evaluate the efficiency of digital mammography (DM) and combined digital breast tomosynthesis (DBT) on AI-based strategies for breast mass ≤ 2cm classification. Methods DM and DBT images in 483 patients including 512 breast masses were acquired from November 2018 to November 2019. The radiomics and deep learning methods were employed to extract the breast mass features in images and finally for benign and malignant classification. The DM and combined DBT (DM+DBT) images were fed into radiomics and deep learning models to construct corresponding models, respectively. The area under the receiver operating characteristic curve (AUC) was estimated models performance. A comprehensive comparison of the subgroups AUCs of the best optimal model was calculated on age, tumor size, and breast density category. Results In the testing dataset, the AUC of DM combined DBT by radiomics and deep learning models were 0.869 and 0.908, respectively. Compared with the DM model, the combined DBT models based on radiomics and deep learning both showed statistically significant higher AUCs (0.869 vs. 0.810, P<0.001, by radiomics; 0.908 vs. 0.867, P<0.001, by deep learning). The deep learning models present superior than the radiomics models in the experiments with only DM (P<0.001) and DM+DBT (P<0.003). The advantage of the deep learning model is especially prominent in patients with small masses less than 1cm, 20 to 40 years old, and dense breast. Conclusions Deep learning model based on DM+DBT has a best diagnostic efficiency. AI-based stragies will play a major role in detecting early breast cancer in screening.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».