开发一个弱监督的深度学习框架来诊断乳腺癌,基于乳房图像的HR状态

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的激素受体 (HR) 状态对于乳腺癌的诊断和治疗至关重要.
• 乳房影像是关键的查工具,但基于活检的HR状态评估可能会影响诊断准确度.
• 需要非侵入性方法来确定HR状态并减少诊断的不确定性.

研究的目的:

• 开发一个弱监督的深度学习框架 (BSNet) 用于 HR 状态的乳腺癌的非侵入性诊断.
• 使用乳腺镜检测乳腺癌,HR状态和良性瘤,减少对手册注释的依赖.
• 为早期乳腺癌管理决策提供可访问的工具.

主要方法:

• 开发了一个监督较弱的深度学习框架,BSNet.
• 在2321个多视图数字造乳镜病例上,BSNet接受了培训.
• 该模型在外部队列上得到了验证,使用了多个乳腺造影视图,没有像素级注释.

主要成果:

• 在测试组中,BSNet的平均曲线下面面积 (AUC) 为0.89,在外部验证组中为0.92.
• 该框架在非侵入性诊断乳腺癌及其人力资源状况方面表现出色.
• 开发了一个Web服务器,以便用户友好地访问BSNet工具.

结论:

• BSNet为非侵入性乳腺癌诊断提供了一个有前途的方法,包括HR状态的确定.
• 深度学习框架有效地分析乳腺癌亚型的高维性乳房扫描数据.
• 这项技术可以帮助为乳腺癌患者提供早期治疗策略.