乳腺筛查AI新招：排除率暴涨2倍，医生工作量直降21%！
TRUST: Threshold-Recalibrated Uncertainty-Safe Training for Certified Dismissal in Breast Cancer Screening
📖 AI 总结
该研究提出了一种名为TRUST的闭环阈值感知训练策略，用于乳腺癌筛查中安全排除阴性病例，以减轻放射科医生的工作负担。该方法在训练过程中动态重新计算排除阈值，并对接近排除区域的癌症阳性图像施加惩罚，从而在保持高召回率的同时提高排除率。在NLBS和RSNA数据集上的实验显示，TRUST在98%和95%召回目标下均实现了最高的病例级排除率：NLBS上分别达到19.74%和21.70%，而交叉熵基线未能达标；RSNA上排除率从7.04%提升至14.31%，从13.49%提升至19.69%。外部验证中，RSNA到NLBS的迁移也取得了12.95%和19.87%的排除率。结果表明，闭环阈值感知训练能有效支持高召回选择性排除，为临床筛查流程优化提供了可行方案。
🔑 关键词速览
| Threshold-Recalibrated Uncertainty-Safe Training | 一种训练策略，在训练过程中动态重新计算排除阈值，并利用不确定性信息确保安全排除。 |
| Certified Dismissal | 在保证癌症检测性能的前提下，对阴性病例进行安全排除，以减少不必要的复查。 |
| Clopper-Pearson upper bound | 一种用于二项分布比例的精确置信区间计算方法，此处用于估计被排除病例中癌症患病率的上界。 |
| Recall target | 召回率目标，即模型需要保持的癌症检出灵敏度水平，如98%或95%。 |
| NLBS and RSNA | 两个乳腺X光筛查数据集，分别来自挪威乳腺癌筛查项目和北美放射学会，用于评估模型性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅