Bモード超音波とシーアウェーブ弾性画像の統合された注意力メカニズムを備えたダブルモダリティの補完的なディープラーニングネットワークを用いた乳がん診断

科学分野:

• 医療用イメージング
• 人工知能
• 腫瘍学

背景:

• 乳がんの診断はイメージングに依存しますが,良性病変と悪性病変を区別し,リンパ節の関与を評価することは困難です.
• 構造情報 (Bモード超音波) と組織硬度データ (シーア波弾性撮影) を統合することで,診断の精度が向上する可能性があります.

研究 の 目的:

• 新たに開発され,評価される,ダブルモダリティのコンプリメンタリーフィーチャー・アテンション・ネットワーク (DCFAN).
• 乳がんの分類と帯リンパ節 (ALN) 転移の予測を強化するために,Bモード超音波とシーア波弾性撮影 (SWE) の融合した空間と硬さの特徴を活用する.

主な方法:

• 218人の患者のBモードとSWE画像のペアリングを遡って分析した.
• DCFANモデルは,Bモードの構造特性とSWEの硬さ特性を統合するために注意メカニズムを使用しました.
• 性能は2つのタスクで評価された:良性対悪性腫瘍の分類と,リンパ節転移状態を含む腫瘍の分類,従来の方法と放射線科医と比較した.

主要な成果:

• DCFANは腫瘍分類において94. 36%の精度と0. 97のAUC,転移予測において91. 70%の精度と0. 83のAUCを達成した.
• マルチモダルのアプローチは単一モダルのモデルを大幅に上回り,タスク1の経験豊富な放射線科医よりも高い特異性とF1スコアを示しました.
• DCFANは 最先端のディープラーニングモデルを 数多く上回りました

結論:

• DCFANモデルは,乳がんの分類とALN転移の予測の両方で,堅実で優れたパフォーマンスを示しました.
• このAIアプローチは 乳房の超音波検査の 診断精度を向上させるための 支援ツールとして有望です
• 補完的なイメージング機能の統合は,腫瘍学的診断におけるAIの能力を高めます.