CORONet:一个交叉序列联合表示和超图卷积网络,用于使用不完整的DCE-MRI对乳腺癌分子亚型进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌表现出分子异质性,需要准确的亚型分类来预后和治疗.
• 现有的方法在不完整或多序MRI数据方面扎.

研究的目的:

• 开发一个新的深度学习框架,CORONet,用于使用不完整的DCE-MRI准确的乳腺癌分子亚型.
• 整合图像赋值和特征表示,以提高分类性能.

主要方法:

• 开发了一个交叉序列联合表示 (COR) 模块,用于统一的图像赋值和特征提取.
• 超图结构和卷积被用来模拟受试者之间的高阶相关性.
• 根据CORONet模型,对来自395名患者和144名患者的不完整DCE-MRI数据集进行了评估.

主要成果:

• 在395名患者的不完整DCE-MRI数据上,CORONet获得了高AUC值 (0.891 luminal,0.903 TN).
• 在144名患者的单独数据集上验证了性能,产生AUC值为0.858 (光线) 和0.832 (TN).
• 结果显示,与最先进的方法相比,显著改善,特别是在完整的数据集.

结论:

• CORONet提供了一种强大的方法,用于精确的乳腺癌分子亚型,使用不完整的多序DCE-MRI.
• 该方法有望改善乳腺癌患者的风险分层和个性化治疗策略.