早期乳がんにおける帯リンパ節転移の予測のためのグラフベースのマルチモダリティネットワーク

科学分野:

• 腫瘍学
• 医療用イメージング
• 機械学習

背景:

• 乳癌の早期の予後と治療には,下肢リンパ節 (ALN) の正確な状態の評価が不可欠です.
• 現在の放射線画像ベースのALN状態分類方法は,診断の正確性が低いことが多い.

研究 の 目的:

• ALN転移の予測を改善するために,ダイナミックコントラスト強化磁気共鳴画像 (DCE-MRI) との臨床パラメータを統合する可能性を調査する.
• 画像特性を超えた補完的な情報を提供するマルチモダリティモデルを開発する.

主な方法:

• DCE-MRIと臨床パラメータを組み合わせたグラフベースのマルチモダリティネットワーク (GMM-Net) を提案した.
• 臨床機能のテキストエンコーダーとMRI機能のローカル・グローバル・グラフ・ニューラル・モジュール (LGGNM) を利用し,地域間の相関を把握した.
• マルチモダリティ・フィーチャー・フュージョン (MMF) モジュールを採用し,両方のモダリティからの情報を統合した.

主要な成果:

• 13の臨床指標による乳がん患者260人のデータセットで評価された.
• GMM- Netは0. 8482の精度と0. 8461のAUCを達成した.
• 提案されたGMM-Netは,ALN転移を予測する単一モダリティのアプローチを上回った.

結論:

• 術前ALN状態の評価のための新しいグラフベースのマルチモダリティフレームワーク (GMM-Net) が開発されました.
• この研究は,早期乳がんにおけるALN転移の非侵襲的な予測のためのGMM- Netの可能性を実証しています.
• このアプローチは,臨床データとDCE-MRIデータを組み合わせることで,診断の精度を高めます.