包括卵巢MRI在内的卵巢光学在快速改善卵巢癌治疗法的过程中的把握了最主要作用。识别仁性和恶性恶性肿瘤的众所周知MRI特质，以及与各种恶性病毒性涉及的特殊MRI遗传学和力学特质，使得放射科内科医生能够获取比其他传统观念的光学形式能够的诊疗，并对病变治疗法方案的制订获取更众所周知的反馈。虽然动态增加(DCE) MRI的专一性与x线艺术创作基本上相当，但在仁恶性恶性肿瘤的辨识方面上仍有更进一步改善的空间。部分原因是由于放射科内科医生对卵巢癌的风险评估因技术关联性以及观察者内和观察者间解释的关联性而直接影响。
多项学术研究开发设计了计算器视觉和机器学习的人工智能（AI）该系统，该该系统可可用流行病学投影上的计算器辅助诊疗和卵巢恶性肿瘤的表征表征。放射组学是计算器辅助诊疗的扩展，可获取与病理学学和其他流行病学、病理学和基因组数据涉及的计算器提炼出特质。
昨日，公开发表在Radiology新闻周刊的一项学术研究风险评估了与传统观念该软件相比，用作AI该系统时放射科内科医生在卵巢DCE MRI投影上分辨仁恶性恶性肿瘤方面的诊疗精度是否取得改善，为AI在流行病学的更进一步应用及学术研究开拓了道路。
在本项回顾性学术研究中的，来自8个学术部门和11个私人门诊的19名卵巢放射科内科医生对卵巢DCE MRI检查和的投影来进行了分析。阅读者对这两项检查和稿件两次次。在“第一次稿件”时，他们用作了包括力学图在内传统观念的计算器辅助风险评估该软件。在“第二次审读”中的，通过计算器辅助诊疗该软件为他们获取了AI分析。使用受试者工作物理性质直线(ROC)分析来风险评估阅读者的诊疗精度，ROC直线下国土面积(AUC)作为分辨恶性和仁性恶性肿瘤的举例来说。主要学术研究终点是第一次和第二次稿件条件下AUC的关联性。
本学术研究一共确立111名女性(平大多值年龄52岁±13岁[期望值])并获得111组卵巢DCE MRI检查和(其中的恶性恶性肿瘤54例，仁性恶性肿瘤57例)。当用作AI该系统时，所有阅读者的平大多值AUC从0.71增加到0.76 (P = 0.04)。当用作卵巢幻灯片分析报告和数据该系统(BI-RADS)类型3作为该点时，平大多值持续性有所增加(从90%增加到94%;变化的95%置信区间[CI]: 0.8%，7.4%)，但在用作BI-RADS类型4a除此以外不然(从80%到85%;95%置信区间:-0.9%，11%)。无论是用作BI-RADS类型4a还是类型3作为该点，平大多值专一性大多无显著关联性(分别为52%和52% [95% CI: -7.3%，6.0%]，29%至28% [95% CI: -6.4%，4.3%])。
图 根据卵巢光学分析报告和数据该系统(BI-RADS) 4a类阈值在动态增加卵巢MRI投影上辨识仁恶性恶性肿瘤的诊疗执行中的，19个阅读者第一次和第二次稿件的持续性和专一性(以百分比表示)比较。
本学术研究确实，人工智能该系统的用作增加了放射科内科医生在卵巢MRI中的辨识仁恶性恶性肿瘤的诊疗精度，为流行病学更进一步制订更准确的治疗法方案获取了技术伤的支持，为人工智能在流行病学及科研上的应用获取了参考依据。
文中的出处：
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
