五种人工智能技术在基层乳腺癌超声筛查中的应用比较

目的 利用人工智能技术辅助基层乳腺癌超声筛查,为基层医疗数字化服务提供实证依据.方法 收集2019年3月至2021年3月在北京市朝阳区安贞社区卫生服务中心体检及自2004年北京市两癌筛查项目实施以来本单位的两癌筛查的女性的乳腺超声图像,筛选出BI-RADS分级3级及以上的乳腺结节图像271例,查找患者随访记录,抽取60例上级医院病理诊断为乳腺癌的图像,60例由上级医院病理确诊的乳腺良性结节图像.利用Python(随机不放回抽样)随机抽取50例乳腺癌及50例良性结节组成试验组,剩余的10例乳腺癌及良性乳腺结节10例组成测试组.标记感兴趣区(ROI).提取并筛选图像纹理特征.建立人工智能(AI)模型,其中包括支持向量机(SVM),随机森林(RF),贝叶斯(NB),神经网络(NN),选择树(XGB)5种建模方法.利用ROC曲线评价AI模型性能.比较AI模型之间的性能.结果 试验组:5种模型(RF、SVM、NB、NN、XGB)性能的ROC曲线的AUC值(95％CI)分别为0.806(0.743～0.869),0.835(0.777～0.898),0.859(0.852～0.939),0.843(0.779～0.906),0.906(0.871～0.942).NN与XGB模型差异无统计学意义(P>0.05),NN与XGB性能明显优于其他3种AI模型,差异有统计学意义(P<0.05).测试组:5种模型(RF、SVM、NB、NN、XGB)性能的ROC曲线的AUC值(95％CI)分别为0.973(0.912～1.000),0.867(0.689～1.000),0.880(0.726～1.000),0.893(0.751～1.000),0.960(0.875～1.000).5种AI模型性能两两相互比较,差异无统计学意义(P>0.05).结论 5种AI模型均可辅助乳腺癌超声筛查.其中NN及XGB性能较为突出,可辅助超声诊断乳腺癌.