排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
【目的】引入基于深度学习乳腺X线摄影钙化识别及分类模型,探讨深度学习技术对钙化灶的准确识别、分类和临床应用价值。【方法】采用多中心乳腺X线检查数据,分别由高-初级诊断医生及两名初级诊断医生采用不结合及结合深度学习模型进行病灶评估,评价其诊断效能。【结果】引入深度学习模型识别钙化灶能力与高-初级诊断医生及两名初级诊断医生识别钙化灶能力相仿(漏检率分别为0.81%vs.0.65%,1.14%vs.1.63%,P>0.05),深度学习模型能够有效帮助高-初级诊断医生(灵敏度0.926,AUC0.81,P=0.014)及两名初级诊断医生(灵敏度0.896,AUC0.79,P=0.049)检出可疑恶性钙化灶,特别是在良性病变中的准确率提升作用明显。【局限】仍需更多前瞻性多中心数据验证模型稳健性,也需引入不同深度学习模型比较其临床应用价值。【结论】深度学习模型有助于乳腺X线摄影钙化识别及分类评估,有助于乳腺癌大规模筛查背景下提供辅助诊断及临床策略支持。 相似文献
1