基于深度学习的乳腺X线摄影钙化检出系统评估

探讨基于深度学习的乳腺X线影像钙化检出系统的价值.方法 回顾性分析2013年1月至12月解放军总医院第五医学中心南院区乳腺X线常规检查1 431例患者的5 488幅影像,每例检查均拍摄头尾位(CC)及内外斜位(MLO)图像.通过低年资医师A独立阅片、高年资医师B审核的方式,建立钙化检出的参考标准.采用χ2检验研究不同因素(钙化形态、钙化分布、分类、美国放射学院腺体构成分类、患者年龄)对于深度学习和医师A的影响.结果 深度学习对所有钙化的敏感性96.76%(7 649/7 905),假阳性平均每幅影像1.04(5 706/5 488)个,平均每例检查3.99 (5 706/1 431)个,假阳性率为42.73%(5 706/13 355).深度学习和医师A对于典型良性和可疑恶性间钙化、不同形态钙化的诊断差异均有统计学意义(P均<0.05).深度学习对于不同分布钙化、BI?RADS分类、美国放射学院腺体构成钙化的敏感性差异无统计学意义(P>0.05),而医师A的差异有统计学意义(P<0.05).深度学习和医师A对于不同年龄下钙化检出的敏感性差异均无统计学意义(P>0.05).结论 基于深度学习的乳腺X线影像钙化检出系统具有很高的敏感性以及一定的稳定性,可以有效减少阅片流程中钙化,尤其是可疑恶性钙化的漏检.