Un método basado en la IA reduce los falsos positivos en la mamografía

Construyeron modelos de CNN y utilizaron métodos de entrenamiento de modelos mejorados para investigar seis escenarios de clasificación que ayudarían a diferenciar las imágenes de las mamografías benignas, las malignas y las que requieren un segundo examen. Al combinar los conjuntos de datos de FFDM y DDSM, el área bajo la curva (AUC) para diferenciar las imágenes benignas, las malignas y las benignas en un segundo examen varió de 0,76 a 0,91. Cuanto más alto es el AUC, mejor será el desempeño, con un máximo de 1, según Shandong Wu, PhD, profesor asistente de radiología, informática biomédica, bioingeniería, sistemas inteligentes y ciencias clínicas y de traducción, y director de Computación Inteligente para el Laboratorio de Imagenología Clínica en el Departamento de Radiología de la Universidad de Pittsburgh, Pennsylvania.

"Demostramos que hay características de imágenes únicas para las imágenes benignas en segunda instancia que el aprendizaje profundo puede identificar y potencialmente ayudar a los radiólogos a tomar mejores decisiones sobre si una paciente debe ser examinada nuevamente o es más probable que sea un resultado falso positivo", dijo Wu. "Basados en la capacidad constante de nuestro algoritmo para discriminar todas las categorías de imágenes de mamografía, nuestros hallazgos indican que efectivamente existen algunas características distintivas únicas de las imágenes en que se solicita un segundo examen innecesariamente. Nuestros modelos de IA pueden complementar a los radiólogos en la lectura de estas imágenes y, en última instancia, beneficiar a las pacientes ayudando a reducir las solicitudes innecesarias para un segundo examen".


Enlace relacionado:
Universidad de Pittsburgh