外媒 | 乳腺X光深度学习模型存在泛化能力差的风险-普瑞纯证

最近发表在JAMA Network Open上的一项研究发现，先前验证的高性能深度学习（DL）模型集合用于自动乳腺X光解读，在美国多样化患者人群中的泛化能力不足，并且在某些亚组中表现下降。该研究指出，由于缺乏经验丰富的乳腺放射科医师，乳腺X光筛查计划已经转向人工智能（AI）工具，以提高乳腺癌筛查的诊断准确性和效率。然而，为了有效使用这些工具，必须进行外部验证，以展示它们在不同患者群体和不同实践环境中的表现。本研究旨在外部验证一个这样的工具，即一个集成学习模型，该模型结合了数字乳腺X光对话反向工程评估和方法（DREAM）乳腺X光挑战赛中的11个最高性能的个体AI模型。DREAM挑战赛是乳腺X光AI开发中最大的众包努力之一，利用了来自Kaiser Permanente Washington（KPW）的144,231个乳腺X光筛查图像进行算法训练和内部验证。在这个队列中，该模型与放射科医师评估相结合，可以提高总体诊断准确性。当该模型在瑞典Karolinska Institute（KI）的队列上进行外部验证时，其表现类似。然而，研究作者指出，KPW和KI队列都主要由白人女性组成，并且该模型尚未在更多样化的美国人群中进行外部验证。因此，研究人员利用2010年至2020年收集的26,817名40岁及以上女性的回顾性患者数据进行验证。这些女性接受了37,317次常规乳腺筛查检查，并参加了加州大学洛杉矶分校（UCLA）的Athena乳腺健康网络。为了评估DREAM挑战赛集成方法（CEM）的表现，研究人员将其表现与筛查时原始放射科医师的读片表现以及CEM和放射科医师组合（CEM + R）的表现进行比较。为了衡量表现，他们关注了敏感性、特异性和受试者工作特征曲线下面积（AUROC）。为了生成其输出，CEM模型利用置信度得分进行预测。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。