基于乳腺扫描的深度学习模型的外部评估,用于预测种族多样化的人口中的乳腺癌
Olasubomi J Omoleye1, Anna E Woodard1, Frederick M Howard1
1From the Center for Clinical Cancer Genetics and Global Health, Department of Medicine (O.J.O., A.E.W., T.F.Y., Y.Z., B.S.A., O.I.O.), Data Science Institute (A.E.W.), Division of Hematology/Oncology, Department of Medicine (F.M.H., A.T.P.), Department of Public Health Sciences (F.Z., D.H.), Department of Computer Science (M.L.), and Department of Radiology (K.K., G.S.K., H.A.), The University of Chicago, 5841 S Maryland Ave, MC 2000, Chicago, IL 60637; Department of Computer Science, Lagos State University, Lagos, Nigeria (B.S.A.).
Radiology. Artificial intelligence
|December 11, 2023
概括
一个深度学习 (DL) 模型在多样化,高风险人群中预测乳腺癌风险方面表现良好. 研究结果表明,DL模型可以识别癌前变化,优于长期风险评估的传统方法.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳房显微镜是乳腺癌查的一个关键工具.
- 深度学习 (DL) 模型为改善风险预测提供了潜力.
- 在多样化,高风险人群的外部验证对于临床转化至关重要.
研究的目的:
- 为了外部评估基于乳房镜的深度学习 (DL) 模型的性能,Mirai.
- 为了比较DL模型的预测能力与已建立的乳房测量.
- 评估模型在种族多样化,高风险患者队列中的实用性.
主要方法:
- 追溯分析了来自2096名女性患者的6435个查性乳房镜片 (2006-2020年).
- 米莱得分作为主要预测因素;乳腺密度和BI-RADS类别作为比较预测因素.
- 使用接收器操作特征曲线 (AUC) 下面的面积和一致性指数来评估性能.
主要成果:
- 米莱的1年AUC为0.71,5年AUC为0.65.
- DL模型显示了与BI-RADS评估 (1年AUC0.68与0.73) 相比的短期表现.
- 在长期预测方面,Mirai显著优于BI-RADS (5年AUC0.63与0.54;P<.001).
结论:
- 哺乳镜DL模型在外部高风险数据集中表现良好.
- 模型的性能可能是由检测到ipsilateral癌前变化的驱动.
- DL模型显示了提高长期乳腺癌风险预测的前景.
