基于时空乳房扫描的深度学习模型,用于改善乳腺癌风险预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要改善早期检测和风险评估.
• 传统的风险模型显示出人口不一致性,限制了它们的临床效用.
• 深度学习,特别是卷积神经网络 (CNN),在乳腺癌风险预测中表现有前途.

研究的目的:

• 通过结合多次查性乳腺造影的时空信息来提高乳腺癌风险预测.
• 为了评估一个罗神经网络模型的时间空间风险预测与传统的CNN模型.

主要方法:

• 一个语神经网络被开发用于分析查乳房影像中的时空模式.
• 语网络的表现与在个别时间点 (T1和T2) 接受训练的CNN相比较.
• 这些模型在191个病例的数据集上进行了测试,其中包括61例被诊断为乳腺癌.

主要成果:

• 西安网络实现了0.81的曲线下面积 (AUC),相比之下,CNN的0.75 (T1) 和0.77 (T2).
• 西安模型的准确度 (0.78) 和F1得分 (0.61) 比CNNs高 (准确度:0.76 (T1),0.76 (T2);F1得分:0.54 (T1),0.59 (T2)).

结论:

• 使用语网络对乳房影像的时空空间分析显著改善了乳腺癌风险预测.
• 与使用单个时间点的模型相比,这种方法为个性化风险评估提供了更可靠的工具.