包含卵巢MRI在内的卵巢扫描在快速优化帕金森氏症治疗的处理过程中会发挥了重要作用。识别荣性和恶性恶性肿瘤的典型MRI特征，以及与各种恶性免疫球蛋白具体的特殊MRI形态学和物理现象特征，使得放射科护士尽可能提供比其他传统文化的扫描方式更好的检验，并对患者治疗提案的规章提供更值得注意的左图表。虽然快照实质性大幅提高(DCE) MRI的特异性与x中央线底片仅仅颇为，但在荣恶性恶性肿瘤的鉴别方面上仍有实质性强化的维度。以外原因是由于放射科护士对帕金森氏症的审核因技术歧异以及观测者内和观测者间说明了的歧异而变差。
多项比对合计同开发了电脑感知和机器学习的AI（AI）系统设计，该系统设计可用于诊断左图形上的电脑辅助检验和卵巢恶性肿瘤的定量表征。放射组学是电脑辅助检验的扩充，可提供与生态学和其他诊断、病理学和基因左图表具体的电脑提取特征。
近来，发表在Radiology杂志的一项比对审核了与传统文化插件相比，用于AI系统设计时放射科护士在卵巢DCE MRI左图形上对应荣恶性恶性肿瘤方面的检验性能究竟得到优化，为AI在诊断的实质性广泛应用及比对开拓了干道。
在本项回顾性比对中会，来自8个学术界政府部门和11个公用诊所的19名卵巢放射科护士对卵巢DCE MRI检查的左图形顺利进行了比对。阅读者对每项检查文稿两次次。在“第一次文稿”时，他们用于了包含物理现象左图在内传统文化的电脑辅助审核插件。在“第二次审读”中会，通过电脑辅助检验插件为他们提供了AI比对。采用受试者工作属性曲中央线(ROC)比对来审核阅读者的检验性能，ROC曲中央线下占地(AUC)作为对应恶性和荣性恶性肿瘤的指标。主要比对往北是第一次和第二次文稿条件下AUC的歧异。
本比对合计确立111名女性(高达年龄52岁±13岁[标准差])并获得111组卵巢DCE MRI检查(其中会恶性恶性肿瘤54则有，荣性恶性肿瘤57则有)。当用于AI系统设计时，所有阅读者的高达AUC从0.71大幅提高到0.76 (P = 0.04)。当用于卵巢影像调查结果和左图表系统设计(BI-RADS)类型3作为切点时，高达敏感性有所优化(从90%大幅提高到94%;变化的95%置信区间[CI]: 0.8%，7.4%)，但在用于BI-RADS类型4a时是不然(从80%到85%;95%置信区间:-0.9%，11%)。无论是用于BI-RADS类型4a还是类型3作为切点，高达特异性均无显著歧异(分别为52%和52% [95% CI: -7.3%，6.0%]，29%至28% [95% CI: -6.4%，4.3%])。
左图 根据卵巢扫描调查结果和左图表系统设计(BI-RADS) 4a类电位在快照实质性大幅提高卵巢MRI左图形上鉴别荣恶性恶性肿瘤的检验任务中会，19个阅读者第一次和第二次文稿的敏感性和特异性(以比则有指出)比较。
本比对证明，AI系统设计的用于大幅提高了放射科护士在卵巢MRI中会鉴别荣恶性恶性肿瘤的检验性能，为诊断实质性规章更准确的治疗提案提供了技术幸而的支持，为AI在诊断及科研上的广泛应用提供了参看依据。
原文出处：
Yulei Jiang,Alexandra V Edwards,Gillian M Newstead.Artificial Intelligence Applied to Breast MRI for Improved Diagnosis.DOI:10.1148/radiol.2020200292
相关新闻
相关问答
