基于超声波的多式信息平台,用于在现场识别导管癌的外科病理

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 在手术前确认在位管道癌 (DCIS) 级别至关重要,因为活检结果往往低估了手术期间的程度.
• 准确的分级对于在DCIS管理中做出明智的临床决策至关重要.

研究的目的:

• 开发一个三分类深度学习 (DL) 模型,DCIS-Net,用于预测低级DCIS,中级至高级DCIS和升级的DCIS.
• 整合临床,乳房扫描 (MG),超声波 (US) 和核心针活检 (CNB) 病理学数据,以提高诊断准确度.

主要方法:

• 追溯分析754个DCIS案件 (2013年5月至2022年6月).
• 使用培训,验证和测试集开发DCIS-Net模型.
• 包括多式联络数据:临床因素,US,MG和CNB病理 (核级,建筑特征,IHC).
• 使用后勤回归和随机森林分析进行评估,以确定准确性,敏感性,特异性和AUC.

主要成果:

• 多式联网DCIS-Net在测试组中实现了0.752-0.766的准确性和0.859-0.907的AUC,用于测试组中的三个分类任务.
• 该模型在区分DCIS与上阶段DCIS方面表现出有效性 (精度为0.751-0.780,AUC为0.829-0.861).
• 观察到高精度 (0.769-0.987) 和AUC (0.818-0.939) 在区分低级DCIS和升级低级DCIS.

结论:

• 开发的DCIS-Net集成了多式联运信息,可以准确诊断低级,中级至高级和升级的DCIS.
• 该模型可以有效地将DCIS与上级DCIS和特定亚型区分开来,从而有可能简化临床工作流程.
• 这种人工智能驱动的方法为改善DCIS的手术前评估和管理提供了有希望的工具.