論文の概要: A deep learning algorithm for reducing false positives in screening
mammography
- arxiv url: http://arxiv.org/abs/2204.06671v1
- Date: Wed, 13 Apr 2022 23:37:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 04:14:13.618619
- Title: A deep learning algorithm for reducing false positives in screening
mammography
- Title(参考訳): マンモグラフィ検診における偽陽性の低減のための深層学習アルゴリズム
- Authors: Stefano Pedemonte, Trevor Tsue, Brent Mombourquette, Yen Nhi Truong
Vu, Thomas Matthews, Rodrigo Morales Hoil, Meet Shah, Nikita Ghare, Naomi
Zingman-Daniels, Susan Holley, Catherine M. Appleton, Jason Su, and Richard
L. Wahl
- Abstract要約: この研究は、乳がんに不審でないマンモグラムを特定することによって、偽陽性を減らすAIアルゴリズムを実証する。
われわれは123,248個の2Dデジタルマンモグラム(6,161個の癌)を用いて癌の有無を判定するアルゴリズムを訓練し,14,831個の検診(1,026個のがん)を行った。
- 参考スコア(独自算出の注目度): 1.914044679141325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Screening mammography improves breast cancer outcomes by enabling early
detection and treatment. However, false positive callbacks for additional
imaging from screening exams cause unnecessary procedures, patient anxiety, and
financial burden. This work demonstrates an AI algorithm that reduces false
positives by identifying mammograms not suspicious for breast cancer. We
trained the algorithm to determine the absence of cancer using 123,248 2D
digital mammograms (6,161 cancers) and performed a retrospective study on
14,831 screening exams (1,026 cancers) from 15 US and 3 UK sites. Retrospective
evaluation of the algorithm on the largest of the US sites (11,592 mammograms,
101 cancers) a) left the cancer detection rate unaffected (p=0.02,
non-inferiority margin 0.25 cancers per 1000 exams), b) reduced callbacks for
diagnostic exams by 31.1% compared to standard clinical readings, c) reduced
benign needle biopsies by 7.4%, and d) reduced screening exams requiring
radiologist interpretation by 41.6% in the simulated clinical workflow. This
work lays the foundation for semi-autonomous breast cancer screening systems
that could benefit patients and healthcare systems by reducing false positives,
unnecessary procedures, patient anxiety, and expenses.
- Abstract(参考訳): マンモグラフィーのスクリーニングは早期発見と治療を可能にし、乳癌の結果を改善する。
しかし、スクリーニング試験による追加撮影に対する偽陽性のコールバックは、不要な手順、患者の不安、財政的負担を引き起こす。
この研究は、乳がんに不審でないマンモグラムを特定することによって、偽陽性を減らすAIアルゴリズムを示す。
123,248個の2dデジタルマンモグラム(6,161個のがん)を用いて癌の有無を判定するアルゴリズムを訓練し,米国15箇所と英国3箇所から14,831例の検診(1,026例)を振り返り調査した。
米国の最大部位(マンモグラム11,592例,癌101例)におけるアルゴリズムの振り返り評価
a) がん検出率は影響を受けていない(p=0.02、1000回の試験で0.25がん)
b) 診断試験のコールバックを標準臨床読解値と比較して31.1%削減する。
c) 良性針生検の7.4%減少、及び
d) 放射線技師の解釈を必要とするスクリーニング試験を41.6%削減した。
この研究は、偽陽性、不要な処置、患者の不安、費用を減らし、患者や医療システムに役立つ半自律乳がんスクリーニングシステムの基礎を築いた。
関連論文リスト
- Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳(メタデータ) (2024-05-23T07:03:38Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳(メタデータ) (2024-05-13T15:40:56Z) - Predicting breast cancer with AI for individual risk-adjusted MRI
screening and early detection [1.3367806441522678]
本稿では,現在のMRIに基づいて1年以内に乳癌の発症リスクを予測することを提案する。
検診・診断を施行した12,694例の乳房53,858例を対象にAIアルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-11-29T19:52:53Z) - Can-SAVE: Mass Cancer Risk Prediction via Survival Analysis Variables and EHR [1.29410702835589]
特定のがんスクリーニング法は、しばしば費用がかかり、時間がかかり、大規模に適用できる。
本稿では,Can-SAVE癌リスク評価手法を提案する。
アクセス性が高く、資源効率が良く、一連の高レベルの医療イベントのみを利用する。
論文 参考訳(メタデータ) (2023-09-26T16:15:54Z) - Screening Mammography Breast Cancer Detection [0.0]
乳癌は、がんによる死亡の主な原因である。
現在のスクリーニングプログラムは高価で、偽陽性になりやすい。
本稿では,乳がん自動検出の解決策を提案する。
論文 参考訳(メタデータ) (2023-07-21T00:15:56Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳(メタデータ) (2023-04-12T05:41:44Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Discriminative Localized Sparse Representations for Breast Cancer
Screening [0.0]
乳がんの早期発見と診断は、その死亡率を低下させ、生活の質を向上させる可能性がある。
CAD(Computer-Aided Detection)とCAD(Computer-Aided diagnosis)技術は,人間の読影の負担を軽減することを約束している。
スパース解析技術は、画像パターンを表現および認識するための関連する結果を生み出している。
論文 参考訳(メタデータ) (2020-11-20T04:15:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。