人工智能用于基于图像的乳腺癌风险预测,使用注意力
Stepan Romanov1, Sacha Howell2,3,4, Elaine Harkness1
1Division of Informatics, Imaging and Data Science, University of Manchester, Manchester M13 9PT, UK.
Tomography (Ann Arbor, Mich.)
|December 22, 2023
概括
这项研究引入了一种基于注意力的深度学习模型,用于使用乳房影像预测乳腺癌风险. 该模型可以在几个月内准确识别患乳腺癌的高风险女性,改善早期检测和个性化预防策略.
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:
- 准确的乳腺癌风险预测对于个性化预防和早期检测至关重要.
- 虽然遗传数据和乳腺密度改善了风险模型,但乳房图像功能未得到充分利用.
- 深度学习可以从乳房影像中提取复杂的信息,但数据稀缺和计算需求带来了挑战.
研究的目的:
- 开发基于注意力的多重实例学习 (MIL) 模型,以使用全分辨率乳房影像进行准确的短期乳腺癌风险预测.
- 将乳房影像的图像特征纳入风险评估模型.
- 通过在模型开发过程中将当前屏幕检测到的癌症与先前的乳房造影相混合来解决数据稀缺问题.
主要方法:
- 一个基于注意力的多重实例学习 (MIL) 模型被开发用于分析乳房影像.
- 该模型是使用数据集进行训练的,该数据集包括先前的乳房造影,这些女性后来患上了屏幕检测或间隔癌症.
- 使用曲线下的面积 (AUC) 度量来评估性能.
主要成果:
- 拟议的MAI风险模型实现了0.747的AUC [0.711,0.783]来预测短期乳腺癌风险.
- 这种表现超过了IBIS (AUC 0.594 [0.557,0.633]) 和VAS (AUC 0.649 [0.614,0.683]) 等已建立的模型.
- 该模型有效地识别了在查乳房图片后5至55个月内患有癌症的女性.
结论:
- 深度学习模型,特别是基于注意力的MIL,可以准确地预测乳腺癌的短期风险.
- 从乳房图片中整合详细的图像特征可以显著提高风险预测的准确性.
- 这种方法有望增强个性化乳腺癌查和预防策略.
