分子亚型引导的自动侵入性乳腺癌分级使用动态对比增强的MRI
Rong Sun1, Long Wei2, Xuewen Hou1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, No. 516 Jun-Gong Road, Shanghai 200093, China.
Computer methods and programs in biomedicine
|September 16, 2023
概括
一个新的深度学习框架,IOS2-DA,有效地使用DCE-MRI的分子亚型 (MS) 信息预测侵入性乳腺癌 (IBC) 级别. 这种人工智能驱动的方法提高了个性化乳腺癌治疗的诊断准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 组织学等级和分子亚型是侵入性乳腺癌 (IBC) 的关键预后指标.
- 个性化医疗依赖于侵袭性乳腺癌 (IBC) 的准确预后标志物.
- 动态对比增强磁共振成像 (DCE-MRI) 提供了对瘤生物学的见解.
研究的目的:
- 评估用于侵入性乳腺癌 (IBC) 评分的两阶段深度学习框架.
- 将分子亚型 (MS) 信息纳入深度学习,以提高IBC分级.
- 评估DCE-MRI在术前乳腺癌评估中的有效性.
主要方法:
- 开发了一个两阶段的深度学习模型 (IOS2-DA),集成分子亚型 (MS) 数据.
- 第一阶段使用了一种新的神经网络 (IOS2-DA),专注于IBC等级的成像表现.
- 第二阶段纳入了MS注意力分支,以使用Kullback-Leibler分歧和集体学习来完善预测.
主要成果:
- 由MS引导的IOS2-DA显著优于单一模型,实现了高精度 (0.927),精度 (0.942),AUC (0.927) 和F1得分 (0.930).
- 梯度加权类激活图证实,提取的特征与瘤区域保持一致.
- 德朗测试显示了统计学上显著的改善 (P < 0.05).
结论:
- IOS2-DA框架显示了对非侵入性侵袭性乳腺癌 (IBC) 瘤等级预测的潜力.
- 整合分子亚型 (MS) 信息可以提高IBC分级的诊断效率.
- DCE-MRI是一种可行的成像模式,用于对乳腺癌生物学和预后进行全面的手术前评估.
更多相关视频
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.2K
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
14.3K
