Genius AI™检测乳腺x线断层扫描

Hologic标志
分享分享

通过深度学习AI应用提高放射科表演和工作流程。

Ashwini Kshirsagar博士,首席科学家,临床解决方案,研究和开发,Hologic, Inc.。布拉德·凯勒博士,临床和科学事务主任,乳腺健康,Hologic, Inc。
Andrew Smith,Ph.D.,Image Research乳房健康,Hologic。公司


介绍

HOLOGIC一直处于提高早期检测乳腺癌的最前沿,作为商业化乳房断层合成技术的第一家。由于其同时提高癌症检测率的同时能力,替代常规二维(2D)乳房X线检查,因此替代常规二维(2D)乳房X线检查是成为一种关注,尽管癌症检测的总体改善为A.Tomos合成使用的结果,各个放射学家的性能仍然存在广泛的变化,即使具有最电流的成像技术,也可能错过癌症.4此外,与四个标准相比,Tomosynest考试的审查需要滚动数百图像在2D乳房X线照片中的视图,增加放射科疲劳的潜力。


断层合成技术的采用为进一步改进癌症检测和在工作流程中创造更好的效率提供了机会。最近一项提高效率的创新是3DQuorumTM技术,它使用人工智能(AI)来创建SmartSlices,从而减少需要查看的图像数量。


另一种新兴技术是应用深度学习(DL)来识别Tomosynthesis堆栈中的潜在异常,并突出显示放射科医师的这些领域。在计算机技术的处理速度方面具有进步,已经可以采用诸如深度学习的尖端AI技术,分析由Tomos合成产生的大量图像数据。HOLOGIC的Genius AI检测产品平台将提供一系列基于先进AI技术的决策支持工具。


This white paper discusses Hologic’s deep learning- based cancer detection software for tomosynthesis, Genius AI Detection, which accurately identifies Regions of Interest (ROI) containing malignancy features with greatly improved specificity compared to conventional Computer Aided Detection (CAD) algorithms.12,13 This new technology aids radiologists’ diagnostic performance and promotes reading efficiency. This paper also covers workflow enhancements that support the triaging of patients with Genius AI Detection.


关键的外卖

  • 深度学习人工智能是由计算能力的进步推动的下一代人工智能。

  • Genius AI Detection是一种深度学习算法,用于从断层合成图像中检测乳腺癌。

  • 这项研究显示,使用Genius AI检测软件,在癌症病例中观察到的阅读器灵敏度有+9%的差异

  • 基于AI输出的工具有助于审查和案例优先级。


人工智能在乳腺癌成像中的应用

人工智能已经被计算机科学家探索了几十年。人工智能是一个广泛的术语,用来描述机器或计算机可以模仿人类认知功能的现象。机器学习(ML)技术是人工智能的一个子集,它使用统计模型,可以使用已知的数据样本进行训练,以执行手头的任务,如从图像中检测指定的目标。Hologic在机器学习方面拥有悠久的专业历史,可以追溯到1998年,当时Hologic的第一款基于ML的CAD产品ImageChecker®CAD获得了FDA的批准,用于从乳房x线图像中检测癌症。


从那时起,Hologic一直处于开发计算机辅助决策支持工具的前沿
使用ML技术。QuantraTM乳腺密度评估软件、3DQuorum技术、C-ViewTM和智能2DTM合成图像等Hologic产品均采用ML技术。Hologic在开发这些基于ml的产品时,主要利用了传统的机器学习技术,并致力于开发利用DL的前沿技术的能力,该技术最近彻底改变了机器学习领域。


深度学习是机器学习的一个子集,它利用图形处理单元(gpu)提供的巨大计算能力来训练非常复杂的统计模型,这些模型包含数百层参数,因此被称为“深度”。虽然与层数较少的模型相比,深度模型的性能更好5,但训练它们所需的数据量要比传统或“浅”模型高一个数量级。Hologic利用其庞大的断层合成系统安装基础来收集必要的训练数据,用于开发模型,以在断层合成图像中检测癌症。


人工智能方法

为了了解在乳腺癌中最常用的人工智能方法,我们可以将这些方法分为两组,“经典”机器学习和“深度”机器学习。


经典机器学习

最初的CAD算法可以被解释为“教会”计算机检测乳腺癌,就像一个人如何向一个正在接受训练的人描述乳腺癌的外观一样人工智能科学家对该软件进行编程,以检测和量化可能是乳腺癌特征的图像外观或“特征”。


这些特征的设计需要了解癌变组织和正常组织是如何在图像中出现的,因此这些特征被称为“手工制作”的特征。这些是与异常检测相关的图像的某些属性的数学量化。例如,边缘不规则或光滑、针状或有不同形状或大小的亮斑的区域都可能提示恶性肿瘤。


这些特征的量化值使用来自已知诊断特征患者的图像,然后可以用来“训练”一个神经网络,计算出一个值,表明癌症的可能性。神经网络可以被认为是所有特征的代数组合,其中代数组合的公式根据已知样本的数据“调整”。通过已知实例优化这个代数组合的过程称为“训练”,并由计算机算法自动完成。


图1示出了经典机器学习神经网络的示例。培训网络以产生输出,其为已知的图像和不含癌症的图像的图像的图像提供高分性。培训包括占据已知癌症和已知正常组织的大量图像,并为恶性肿瘤产生分数。然后系统将调整重量,此处以黄色,绿色和红色显示,以提高精度。该调整过程可以重复多次,直到算法的准确性尽可能高。最终算法的性能取决于1)所用特征的选择,2)训练数据的概括性,质量和数量,以及3)针对神经网络的适当架构的选择。


这是乳腺癌CAD多年来依赖的方法。


机器学习深

众所周知,深入学习AI可以产生明显优于经典乳腺癌CAD7的性能。与经典机器学习不同,DL不使用“手动制作的”功能来“教导”计算机如何通过描述和表征成像功能来检测癌症。代替特征,输入是来自图像的实际像素。与经典方法相比,DL中有多于几千个像素的更多输入,其中一个人使用数十个特征描述乳腺癌。除了输入层的增加外,算法中还有更多“隐藏”层。图2示出了DL神经网络的示意图。训练与经典AI类似:一个将许多图像馈送到算法中,并且迭代地确定每层中每个节点的权重,以优化识别乳腺癌的输出的性能。该系统可以被认为是培训本身想要寻找什么。


DL方法与经典人工智能相比有一些显著的差异。为了获得最佳的性能,系统需要对更多的输入图像进行训练,输入图像的数量已经从数万增加到数千。因此,计算需求比经典人工智能要大很多个数量级,而且直到最近,计算机才有足够的能力使这种方法成为可能。与那些使用经典方法的算法相比,最终的DL算法提供了相当出色的性能。



图1。示例显示如何设计经典AI神经网络。



图2。一个深度学习神经网络的例子。


Genius AI检测

Genius AI检测是应用于从HologIC的3DiminingStm和Selenia®imidoons®系统获得的乳房染色的图像的深度学习。


该算法通过搜索断层合成图像集的每一层来定位可能代表乳腺癌的病变。这些病变被标记在适当的切片上,使用经典2D CAD用户熟悉的标记。此外,这些标记可以覆盖在合成的2D图像和3DQuorum SmartSlices上。


将标记覆盖在合成的2D图像上有助于放射科医生提供一幅全景图像,清晰地显示可疑区域,并快速导航到标记最初被识别的断层合成切片。


算法概述

Genius AI检测软件通过使用最先进的目标检测和分类模型,在不同的分析级别上利用深度学习方法。在算法的各个模块中使用了几个成熟的基于深度学习的模型8、9、10,使用专有的训练方法,并使用大量的临床图像数据进行训练。有独立的模块专门用于检测包含软组织病变和那些包含钙化簇的感兴趣区域。这些模块分别训练使用深度学习技术来识别各自类型的病变。


图3显示了Genius AI检测的高级方法的示意图。每个标准的tomosynthesis视图经历“视图级别”处理,然后通过“案例级别”处理处理来自所有四个标准视图的组合结果。视级处理利用对象检测模块来识别由分类模块处理的可能的候选ROI。分类模块进一步分析这些区域,并将置信水平分配给每个识别的候选者。在排名候选者上应用阈值,以消除具有最低置信水平的那些,从进行到案例水平。


案例级别处理模块分析来自所有四个视图的候选结果,并将最终的置信度值分配给每个候选对象,并为整个案例分配总分。将一个阈值应用于将作为潜在癌变病变显示给最终用户的候选排序列表。每个病变被分配一个病变评分,每个病例被分配一个病例评分。病变评分和病例评分都在0到100之间,代表了AI算法确定病变或病例具有癌症特征的确定性。


训练算法

深度学习算法在Hologic断层合成图像数据库上进行训练,临床评价分布如图4所示。将送去活检的病例分类为出现钙化、肿块或扭曲的病变,或同时出现钙化、肿块或扭曲(图5)。训练算法支持高分辨率断层合成图像(70微米,1mm片)和标准分辨率断层合成图像(~100微米,1mm片)。



图3。展示天才人工智能检测算法的高级原理图。



图4。用于培训深度的培训案例的分布是学习算法。通常在筛查时被评为正常的病例,召回是在随访成像后解除的病例,并且活检病例是良性或恶性。



图5。送到活组织检查的病例的形态特征分布。


Genius AI检测测试

读者研究概述

在对上述案例的算法进行训练之后,Hologic进行了一项多阅读器多案例(multi-reader, multi-case, MRMC)研究,以验证放射科医生在并行阅读模式下使用Genius AI检测算法时,解读3D+2D图像集的表现。11本研究的3D图像为高分辨率70微米1毫米厚度(Hologic Clarity HD images), 2D图像为70微米合成2D图像(智能2D图像)。MRMC的评估由17名读者组成,他们在至少间隔四周的两次会议中审查390个病例。在第一阶段,每位读者阅读了随机组合的案例,这些案例中有和没有天才人工智能检测信息,而在第二阶段,每位读者阅读了相反情况下的案例。


案例包括普通乳房X线照片,招聘现场最初回忆的乳房X线照片并在诊断次数后被解雇,以及良性和恶性的案检的案例;这些病例完全独立于培训数据,并在本研究之前从未评估。这些病例的分布如图6所示。对于通过活组织检查确定含有癌症的病例,癌症的类型在外观中表征为质量损伤,钙化病变或两者,其中每种类型的百分比7。



图6.读者研究评估中病例的分布。



图7。读者研究评估中的癌症病例类型。读者研究结果


读者研究结果

reader研究显示,使用Genius AI检测的临床表现差异为+0.031,使用ROC曲线下面积(AUC)测量。*12在没有天才AI检测的情况下,所有17个阅读器的平均AUC为0.794,使用后增加到0.825

天才的人工智能检测。图8显示了该研究的平均读者ROC曲线,以及Genius AI Detection在分析相同数据时的独立性能。值得注意的是,在没有人工智能的情况下阅读时,天才人工智能检测的表现与普通放射科医生在阅读研究中的表现近似。


使用天才AI检测技术导致观察到的癌症病例的读者敏感性差异+ 9%。该研究显示读取时间没有减少。* 12


总结,正如AUC改进所示,使用天才时,临床准确性更高
人工智能检测。



图8。汇总的ROC曲线在用(绿色)和没有(红色)Genius AI检测时,在解释乳房X线摄影考试时展示平均读者性能。此外,没有任何人类读者的天才AI检测的独立性能在黑色中显示。


Genius AI检测功能

天才人工智能检测产生了几种不同的输出从算法。与Hologic的2D CAD相比,Genius AI检测有大约1/4的假阳性标记率,尽管与传统CAD相比,通过减少假阳性标记来衡量的性能有所提高。该算法还提供了对病例复杂性和包含癌症的可能性的指示。下面描述的这些输出可用于根据站点的需求和协议调整工作流。


天才人工智能检测标志

Genius AI检测标记旨在表示关注的领域。Genius AI检测算法搜索通常与癌症相关的三种主要特征:(a)计算标记:表示钙化簇,(b)质量标记:表示软组织病变,包括群众,密度和建筑扭曲,(c)MALC标记:表示与钙化簇相关的软组织病变。图9,10和11显示了由天才AI算法标记的钙化和软组织病变的实例。在每个示例中,图像(a)表示没有标记的区域(b),显示“Peerview”标记,概述软组织病变的钙化或中央密度,并且(c)显示“右旋”标记,具有单个标记显示感兴趣地区的质心。请注意,下一节中描述的病变分数显示在标记之上。


算法输出

病变评分

深度学习网络为每个检测到的病变分配一个相对得分,称为病变得分,这代表了识别出的可疑病变是恶性的置信度。病变得分在一个使用连续收集的活检证实的恶性病变数据集的过程中被规范化。这些病变的病变评分按升序排列。查找表将每个病变得分映射到数据集中得分较低的病变百分比。病变评分代表一个置信度估计,并被分配到由算法识别的每个疑似病变。病变得分为80%,表示深度学习网络对该病变的相对得分高于80%的代表性恶性病变,非常怀疑为恶性病变。病变评分显示为病变标记旁边的叠加。



图9。钙化病变的例子。图像(a)显示没有标记,图像(b)显示peerview标记

描绘钙化,图像(c)显示右顿标记,识别病变的质心。



图10。例软组织肿块病变。图像(a)显示无标记,图像(b)显示PeerView标记,勾勒出中心密度,图像(c)显示RightOn标记,识别病变的质心。



图11。MALC病变的例子 - 含有软组织和钙化。图像(a)显示没有标记,图像(b)显示概述质量和钙化的Peerview标记,图像(c)显示识别病变的质心的右边标记。


案例分

深度学习网络通过使用标准筛选视图中检测到的各个病变的信息来分配案例分数。案例评分表示案例具有癌变病变的信心。类似于病变评分,壳体得分值由来自一组连续收集的恶性病例导出的查找表分配。一个案例得分为80%的考试意味着与具有确认恶性病变的其他考试相比,考试在80百分位中排名。壳体评分通常在图像审查期间显示为覆盖物,并且也可以在患者列表中显示。


阅读优先指示器

读取优先级指示器来自案例得分,用于标记需要更大级别关注的案例的百分比。读取优先级指标可以在维度获取上查看


检查完成后的工作站,用于识别可能受益于放射科医生立即检查的病例,即使患者仍在设备中。这有助于在同一次就诊时进行任何后续成像,并可能消除病人被召回进行额外成像的需要。读取优先级指示器可配置为根据站点的偏好允许更低或更高的灵敏度。


例复杂性指数

案例复杂性指数将案例分类为“无发现”、“单一发现”或“多个发现”。由算法识别的发现数量可以作为案例复杂性的一个指标。通过计算天才人工智能检测标记的感兴趣区域的数量,有可能根据阅读它们的潜在困难对案例进行分类。根据复杂性对案例进行排序的能力可以用于为不同的读者生成定制的工作列表。


阅读时间指标

所有roi的潜在信息都包含了丰富的信息,可以预测案例是否能够相对较快地阅读或需要比一般人更长时间才能阅读。算法识别和分析大量的roi,即使只有最可疑的病变被标记为算法的最终输出。该模型可预测给定病例的阅读时间,分为“高”、“中”和“低”三个类别,并可根据相对阅读时间对病例进行排序和选择,例如将病例分配给放射科医生团队,以提供更均衡的工作量。


图像兼容性和DICOM

天才AI检测工作与标准分辨率层析合成和高分辨率层析合成(Hologic Clarity HD)图像。它也兼容3DQuorum SmartSlice输出。输出被封装在DICOM CAD结构化报告(SR)对象中,审阅工作站可以读取该对象。DICOM CAD SR合并了有关由算法生成的标记以及各种案例级索引的细节。对于每个标记,标记的质心坐标、轮廓细节以及相应的病变评分被纳入复查工作站以叠加显示。案例评分、读取优先级指标、案例复杂性指标和读取时间指标也存储在DICOM SR中,工作站可以读取这些指标,以便于根据这些值创建工作列表,如上所述。


工作站特色

支持显示天才AI检测标记和相关数据取决于特定工作站产品的实现。通常,工作站支持工具,允许放射科医师在潜在病变的标记中快速导航到切片的切片。来自HOLOL工作站的示例如图12所示。在该图像中,左侧显示合成的2D图像,并且右侧的相应的断层合成图像。两者都显示出潜在病变的标记。当用户点击合成的2D图像中的标记时,软件会自动显示在右视口中检测到潜在病变的截止潜在病变。



图12。显示天才AI检测标记和数据工作站上的数据。


结论

采用深度学习算法,天才AI检测的软件解决方案是在HOLOGIC Tomosynest Images上进行培训和培训的。它在多读者中进行了测试,多种案例研究,该研究测量了其在以同时操作模式使用时测量其在乳腺癌的检测和表征中的性能。放射科医生在观察到的癌症病例的读者敏感性中展示了+ 9%的差异。* 12


天才人工智能检测算法输出的阅读优先级指标、病例复杂性指标和阅读时间指标为乳腺造影中心调整工作流程和更有效地对患者进行分类筛查提供了机会。标记为阅读优先级高的病例可以优先进行即时阅读,甚至在病人离开诊所之前。如果需要,这将有助于额外的成像,更快地解决任何问题,并减少病人因回调而产生的焦虑。病例的复杂性和阅读时间指标可以通过将病例分配给特定的阅读会议或特定的放射科医生来管理工作流程。


术语表



引用:


Friedewald SM, Rafferty EA, Rose SL等。利用断层合成技术结合数字乳房x线照相术进行乳腺癌筛查。JAMA, 2014年6月25日;311(24):2499-507。


麦当劳,乌斯蒂莫夫A,温斯坦公司,synnesvedt MB, Schnall M, Conant EF。数字乳腺层析成形术与数字乳房x线照相术的效果比较:3年乳腺癌筛查的结果分析JAMA杂志2016;2(6):737 - 743。


Sprague Bl,Coley Ry,Kerlikowske K,等。数字乳腺瘤筛选乳腺癌筛选放射科表现的评估VS数字乳房X线X线。Jama Netw开放。2020 3月2日; 3(3):E201759。DOI:10.1001 / JamanetWorkopen.2020.1759。


Conant EF,Zuckerman SP,McDonald Es,等。连续五年进行筛选数字乳房汤合成:筛选年和圆形的结果。放射学。2020 3月10:191751。DOI:10.1148 / Radiol.2020191751。


何开明,张翔宇,任少庆,孙健。深度残差学习在图像识别中的应用https:// icml。cc / 2016 /教程/ icml2016_tutorial_deep_residual_ networks_kaiminghe.pdf;CVPR 2016。


Wu Y, Giger ML, Doi K, Vyborny CJ, Schmidt RA, Metz CE。人工神经网络在乳房x线摄影中的应用:在乳腺癌诊断决策中的应用。放射学。1993年4月,187(1):81 - 7。


基于深度卷积神经网络的ImageNet分类。神经信息处理系统进展25(2),2012年1月。


任少庆,何凯明,Girshick, Ross,孙健。Faster R-CNN:用区域建议网络实现实时目标检测。模式分析与机器智能学报39(6),2015年6月。


Ronneberger,奥拉夫&Fischer,菲利普和托马斯,托马斯。(2015)。U-Net:用于生物医学图像分割的卷积网络。Miccai 2015:18国际会议,慕尼黑,德国,2015年10月5日至9日,诉讼程序,第三部分(第234-241页)9351.234-241。


C. Szegedy,V.Vanhoucke,S. Ioffe,J.Shlens和Z.Wojna。重新思考计算机愿景的初始架构。计算机视觉和模式识别(CVPR),2016,PP。2818-2826的IEEE会议。


天才AI检测用户指南。MAN-07021-002修订001,Hologic, 2020。


FDA清除:K201019


DHM-10095_002 MAN-03682。了解R2 Imagechecker CAD 10.0。图像检查器PMA批准P970058


*基于没有控制第一类错误的分析,因此不能概括为本研究之外的特定比较。本研究:冠心病患者的平均AUC为0.825 (95% CI: 0.783, 0.867),未冠心病患者的平均AUC为0.794 (95% CI: 0.748, 0.840)。观察到的AUC差异为+0.031 (95% CI: 0.012, 0.051)。有CAD的癌症病例阅读器的平均敏感度为75.9%,无CAD的为66.8%。观察到的敏感性差异为+9.0% (99% CI: 6.0%, 12.1%)。在非癌症病例中,有CAD的平均召回率为25.8%,无CAD的为23.4%。阴性回忆率的观察差异为+2.4% (99% CI: 0.7%, 4.2%)。平均观察病例阅读时间:CAD组50.2秒,无CAD组46.3秒。观察到的阅读时间差异为5.7s(95%置信区间:4.9s到6.4s)。


««来自维也纳的爱……拥抱2021号


唐纳德特朗普对美国医疗保健的破坏性影响»»

发布日期:2021年2月24日,星期三



相关文章
Hologic标志

通过人工智能和智能切片提高放射科医生的表现阅读更多

通过深度学习人工智能应用,Genius AITM, Genius AI Detection提高放射科医生的表现和工作流程。

没有意见


登录留下评论......

突出产品