XiaoMi-AI文件搜索系统
World File Search SystemThermalytix
前瞻性盲法评估 Thermalytix（一种人工智能增强型乳腺热成像软件）与放射科医生解释的乳房 X 光检查结果的相关性：赞比亚一项探索性研究的结果
背景：虽然乳房 X 线摄影通常用于乳腺癌检测，但在资源受限的国家广泛实施这一技术具有挑战性。基于人工智能的 Thermalytix 是一种低成本、便携、无辐射的自动化测试，可用于检测所有年龄段的女性乳腺癌。尽管在印度使用，但 Thermalytix 的有效性尚未在非洲人群中进行过测试。目标：在赞比亚三级护理人群中评估 Thermalytix 输出与放射科医生报告的乳房 X 线摄影的一致性和相关系数。方法：2023 年 10 月，卢萨卡 Maina Soko 军事医院对 169 名女性进行了 Thermalytix 和标准乳房 X 线摄影评估。Thermalytix 使用先进的机器学习算法来解释乳房热扫描并生成一个定量分数，表明恶性肿瘤的可能性。所有女性都接受了这两项测试，结果都是盲测的。随后计算了 Thermalytix 输出与放射科医生解释的乳房 X 线摄影的 BIRAD 评分之间的 Spearman 相关系数和一致性水平。结果：本报告分析了 144 名数据完整的女性，平均年龄为 50 岁（53.5% 为绝经后，65.3% 为无症状）。6 名女性被评估为乳房 X 线摄影阳性，138 名被评估为乳房 X 线摄影阴性；其中，使用 Spearman 等级相关检验，Thermalytix 与乳房 X 线摄影之间的相关性为 0.9 [非常强]，使用美国 FDA 推荐的一致性检验，阳性一致性为 83.3%。结论：Thermalytix 在之前的临床试验中表现出与乳房 X 线摄影非常强的相关性和一致性水平，以及良好的敏感性、特异性和阴性预测值，有潜力成为赞比亚乳腺癌早期检测的另一种工具。
主题探索报告
乳腺癌是英国最常见的癌症，每年有 55,900 人被诊断出患有乳腺癌。推荐的乳腺癌筛查成像方式是乳房 X 线摄影。Thermalytix 是一种用于筛查的计算机辅助诊断工具，其中使用预先训练的人工智能/机器学习模型的软件分析热成像图像以协助诊断恶性乳腺病变。研究发现，有六项研究将 Thermalytix 与标准筛查方式（包括乳房 X 线摄影、超声和临床乳房检查）进行了比较。这些研究主要得出的结论是，Thermalytix 在检测乳腺病变方面与乳房 X 线摄影具有相似的敏感性和特异性。一些研究报告称，Thermalytix 在年轻人和乳腺组织致密的人群中的敏感性更高，而乳房 X 线摄影在这些人群中的敏感性据称较低。所有研究均在印度进行，并为威尔士 NHS 提供了有限的普遍性证据。他们没有报告诊断时间和死亡率等结果。一项在美国正在进行的研究被发现，但该研究要到 2025 年底才能完成。与乳房 X 线摄影相比，Thermalytix 的预期优势包括节省成本和提高对年轻人和乳房组织致密者的有效性。需要在可推广到威尔士 NHS 的前瞻性高质量研究中进一步开发和测试机器学习模型。需要澄清 Thermalytix 在威尔士/英国筛查计划中的位置。指定的预期用途是作为筛查工具，CE 标志涵盖用于检测疑似恶性病变的用途。需要从英国 NHS 的角度进行研究以评估成本效益。
使用人工智能和热放射组学进行筛查
动机：乳腺癌是当今女性癌症死亡的主要原因。由于发现较晚，发展中国家的存活率约为 50%–60%。个性化、准确的风险评分方法有助于锁定合适的人群进行后续检查，并能够及早发现乳房异常。大多数可用的风险评估工具使用通用且弱相关的特征，如年龄、体重、身高等。虽然乳房 X 线照相和超声等筛查方式的个性化风险评分可能会有所帮助，但由于高昂的资本成本、运营费用和大量筛查人群所需的解释专业知识，这些测试仅限于发展中国家极少数大都市医院。方法：我们提出并分析了一种名为 Thermalytix 风险评分 (TRS) 的新型个性化风险框架，以确定定期筛查的高风险目标人群，并实现大规模早期乳腺癌检测。该技术使用人工智能 (AI) 通过热图像自动生成乳房健康风险评分。该风险评分主要来自两个子评分，即血管评分和热点评分。热点评分表示从皮肤表面看到的不规则不对称热模式中看到的异常，而血管评分则预测不对称血管活动的存在。这些评分是使用机器学习算法通过医学上可解释的参数生成的，这些参数描述了乳房组织内的代谢活动，并表明即使在无症状女性中也存在可能的恶性肿瘤。结果：在四个乳腺癌筛查机构中对 769 名受试者测试了所提出的个性化风险评分。受试者的年龄从 18 岁到 82 岁不等，中位数约为 45 岁。在 769 名受试者中，185 名受试者在乳房 X 线照相、超声和/或组织病理学检查后被专业放射科医生诊断为乳腺恶性肿瘤。与年龄标准化风险评分的 AUC 为 0.68 相比，我们的个性化 AI 风险评分实现了 0.89 的受试者曲线下面积 (AUC)。我们还发现，如果使用计算出的风险评分将个人分为四个风险组，恶性肿瘤的可能性也会随着风险分组水平的增加而单调增加。结论：提出的基于 AI 的个性化风险评分使用乳房热图像模式进行风险计算，与其他通用风险评估方法相比具有优势。所提出的风险框架解决方案是自动化、经济实惠、非侵入性、非接触性和无辐射的，适用于 18 至 82 岁年龄段的女性，包括乳房致密的年轻女性。所提出的评分可能进一步用于将受试者分配到四个风险组之一，并为所需的筛查周期提供指导。此外，自动注释的热图像可以定位潜在的异常区域，并可能使医生能够创建更好的个性化护理。