A Multi-Modal AI System for Screening Mammography: Integrating 2D and 3D Imaging to Improve Breast Cancer Detection in a Prospective Clinical Study

要約

デジタル乳房トモシンセシス（DBT）は、フルフィールドデジタルマンモグラフィ（FFDM）にわたる診断パフォーマンスを向上させますが、偽陽性のリコールは乳がんスクリーニングにおいて依然として懸念事項です。
FFDM、合成マンモグラフィ、およびDBTを統合するマルチモーダル人工知能システムを開発し、疑わしい発見の乳房レベルの予測と境界ボックスのローカライズを提供しました。
約500,000のマンモグラフィ試験で訓練されたAIシステムは、内部テストセットで0.945 Aurocを達成しました。
100％の感度を維持しながら、リコールを31.7％、放射線科医のワークロードを43.8％減らす能力を実証し、臨床ワークフローを改善する可能性を強調しました。
外部検証により、強力な一般化可能性が確認され、強力なベースラインと比較して、完全なオーロックへのギャップが35.31％-69.14％減少しました。
18のサイトにわたる前向き展開では、低リスクのケースのリコール率を低下させました。
追加のラベルを使用して750,000を超える試験でトレーニングされた改良バージョンは、大規模な外部データセットでさらにギャップを18.86％-56.62％減らしました。
全体として、これらの結果は、利用可能なすべてのイメージングモダリティを利用することの重要性を強調し、臨床的影響の可能性を示し、大容量ニューラルネットワークを使用する場合のトレーニングセットの増加により、テストエラーをさらに減らすことができることを示しています。

要約(オリジナル)

Although digital breast tomosynthesis (DBT) improves diagnostic performance over full-field digital mammography (FFDM), false-positive recalls remain a concern in breast cancer screening. We developed a multi-modal artificial intelligence system integrating FFDM, synthetic mammography, and DBT to provide breast-level predictions and bounding-box localizations of suspicious findings. Our AI system, trained on approximately 500,000 mammography exams, achieved 0.945 AUROC on an internal test set. It demonstrated capacity to reduce recalls by 31.7% and radiologist workload by 43.8% while maintaining 100% sensitivity, underscoring its potential to improve clinical workflows. External validation confirmed strong generalizability, reducing the gap to a perfect AUROC by 35.31%-69.14% relative to strong baselines. In prospective deployment across 18 sites, the system reduced recall rates for low-risk cases. An improved version, trained on over 750,000 exams with additional labels, further reduced the gap by 18.86%-56.62% across large external datasets. Overall, these results underscore the importance of utilizing all available imaging modalities, demonstrate the potential for clinical impact, and indicate feasibility of further reduction of the test error with increased training set when using large-capacity neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google