Bewertung von Brustkrankheiten mit einem Deep-Learning-Modell unter Verwendung von bimodalen Bi-View-Ultraschallbildern und klinischen Informationen

Brustkrebs ist die zweithäufigste Ursache für krebsbedingte Todesfälle bei Frauen. Wir haben ein multimodales Deep-Learning-Modell (BreNet) entwickelt, um Brustkrebs von benignen Läsionen zu unterscheiden. BreNet wurde auf 10.108 Bildern aus einem Zentrum konstruiert und trainiert und auf 3.762 Bildern aus zwei Zentren in drei Schritten getestet. Die diagnostischen Fähigkeiten von BreNet wurden zunächst mit denen von sechs Radiologen verglichen; ein BreNet-unterstütztes Schema wurde entwickelt, um die diagnostischen Fähigkeiten der Radiologen zu verbessern; und das Diagnoseverfahren der Radiologen in der realen Welt wurde dann mit dem BreNet-unterstützten Schema verglichen. Die diagnostische Leistung von BreNet war der der Radiologen überlegen (Fläche unter der Kurve AUC: 0,996 vs. 0,841). Das BreNet-unterstützte Schema erhöhte die gepoolte AUC der Radiologen von 0,841 auf 0,934 zur Bildüberprüfung und von 0,892 auf 0,934 im Test in der realen Welt. Der Einsatz von BreNet verbessert die diagnostischen Fähigkeiten der Radiologen erheblich bei der Erkennung von Brustkrebs.