多任务深度学习在乳房影像上,以预测侵袭性乳腺癌中广泛的导管内成分

科学领域:

• 医疗成像中的人工智能
• 机器学习用于放射学.
• 瘤学中的深度学习

背景情况:

• 广泛的导管内部部件 (EIC) 是乳房保护手术后局部复发的重要风险因素.
• 准确预测EIC对于有效的乳腺癌治疗计划至关重要.
• 目前用于EIC评估的方法可能耗时,并可能从自动化工具中受益.

研究的目的:

• 开发和评估一个多任务深度学习 (DL) 算法,用于自动分类乳房图像检测结果.
• 通过使用乳房影像来预测侵袭性乳腺癌中广泛的导管内成分 (EIC) 的存在.
• 将多任务DL模型的性能与单任务和其他多任务配置进行比较.

主要方法:

• 使用EfficientNet-B0神经网络开发了一种多任务DL算法,该算法基于来自1459种侵袭性乳腺癌的3076张乳房图片的数据集.
• 该模型被训练,同时预测EIC和分类成像发现 (质量,化).
• 使用曲线下面面积 (AUC) 评估性能,并在不同的模型配置中进行比较,包括单任务和三任务模型.

主要成果:

• 三任务多任务模型实现了0.758的AUC (图像水平) 和0.775 (乳房水平) 的EIC预测.
• 该模型准确地对成像发现进行了分类,质量达到最高的AUC (0.915).
• 多任务学习表明,与单任务模型相比,模型训练有所改善,尽管并不总是显著.

结论:

• 一个基于乳房镜的多任务DL模型可以有效地执行同时成像发现分类和EIC预测.
• 开发的DL模型显示了通过从乳房影像中提取全面信息来增强临床决策的潜力.
• 这种人工智能方法为提高乳腺癌评估的准确性和效率提供了一个有希望的工具.