通过使用基于超声波图像的深度学习放射学来预测乳腺癌中哨戒淋巴结转移

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 哨兵淋巴结转移 (SLNM) 是乳腺癌的关键预后因素.
• 准确的SLNM检测会影响治疗决策和患者生存结果.

研究的目的:

• 开发和评估深度学习 (DL) 放射学模型,以对乳腺癌中SLNM进行分类.
• 为了比较DL模型的诊断性能,使用灰度超声波,彩色多普勒流成像 (CDFI) 和弹性图像.

主要方法:

• 三种DL模型 (DL-灰度,DL-CDFI,DL-弹性图) 在359名乳腺癌患者的临床和超声数据 (317名内部,42名外部) 上进行了训练和验证.
• 用曲线下的面积 (AUC),精度,灵敏度和特异性来评估模型性能.

主要成果:

• DL-elastography模型实现了最高的诊断性能,其AUC为0.879 (内部) 和0.876 (外部).
• 与DL-灰度和DL-CDFI.FI相比,DL-弹性图表显示出更高的精度 (86.13%内部,85.00%外部),灵敏度 (91.60%内部) 和特异性 (82.79%内部).
• DL放射学有效地使用超声波图像对SLNM进行了分类.

结论:

• DL放射学,特别是DL-elastography模型,显示出在乳腺癌中准确分类SLNM的巨大潜力.
• 这种方法可以通过改善SLNM检测来提高乳腺癌患者的管理.