其他行业 · AI应用
基于MRI的放射科医生级乳腺癌预测
在纽约大学朗格尼健康中心，研究人员发现了一个关键挑战：从动态对比增强磁共振成像（DCE-MRI）扫描中准确预测乳腺癌，这常导致不必要的活检。为此，他们开发了一个深度学习模型，利用3D卷积深度神经网络集成，在超过14,000次MRI检查上训练，以捕捉指示癌症的时空特征。该创新方法效果显著：AI模型达到了与五位委员会认证放射科医生相当的准确率，与人类评估结合后，诊断精度至少提高5%。此外，该技术有可能将BI-RADS 4类患者的不必要良性活检减少高达20%，最终改善乳腺癌诊断中的患者护理和资源分配。
开发了一个深度学习模型，利用3D卷积深度神经网络集成，从DCE-MRI扫描中预测乳腺癌。
未披露
在超过14,000次MRI检查上训练，以识别指示癌症的时空特征。
未披露
准确率与五位委员会认证放射科医生统计等效。
未披露
01
业务背景
在纽约大学朗格尼健康中心，研究人员发现了一个关键挑战：从动态对比增强磁共振成像（DCE-MRI）扫描中准确预测乳腺癌，这常导致不必要的活检。为此，他们开发了一个深度学习模型，利用3D卷积深度神经网络集成，在超过14,000次MRI检查上训练，以捕捉指示癌症的时空特征。该创新方法效果显著：AI模型达到了与五位委员会认证放射科医生相当的准确率，与人类评估结合后，诊断精度至少提高5%。此外，该技术有可能将BI-RADS 4类患者的不必要良性活检减少高达20%，最终改善乳腺癌诊断中的患者护理和资源分配。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了一个深度学习模型，利用3D卷积深度神经网络集成，从DCE-MRI扫描中预测乳腺癌。：
在超过14,000次MRI检查上训练，以识别指示癌症的时空特征。：
准确率与五位委员会认证放射科医生统计等效。：
与放射科医生结合预测，整体准确率至少提高5%。：
有可能将BI-RADS 4类患者的不必要良性活检减少高达20%。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。