适应性机器学习方法对多模式乳腺癌放射性特征的重要性评估

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要先进的诊断工具.
• 放射性图像的定量分析为乳腺瘤的早期检测和分类提供了潜力.
• 在P.I.N.K的研究建立了第一个结合自动化乳房体积扫描仪 (ABVS) 和数字乳房图解 (DBT) 数据集.

研究的目的:

• 使用对联的ABVS和DBT图像进行恶性与良性乳腺癌分类的放射性分析.
• 为了比较ABVS和DBT模式在乳腺癌分类中的性能.
• 识别有信息的放射性特征,并评估放射性模型的预测能力.

主要方法:

• 开发了第一个ABVS+DBT数据集,其中包含66名妇女的注释癌症病变.
• 训练放射性模型使用一个离开一个跳过的嵌套交叉验证策略与值选择.
• 使用不同数量的特征的接收器操作特征曲线下面面积 (AUC-ROC) 评估模型性能.

主要成果:

• 放射性模型证明了对DBT和ABVS的预测能力,同时减少了DBT和ABVS的特征.
• 与自动化乳房体积扫描仪 (ABVS) 相比,数字乳房图解 (DBT) 显示出更高的预测能力.
• 在患者水平上,ABVS和DBT预测之间的高度一致 (8.7%被两者错误分类),表明部分互补性.
• 使用非几何特征获得了有希望的结果,这表明虚拟活检集成的潜力.

结论:

• 使用ABVS和DBT数据集进行放射性分析是乳腺癌分类的有效方法.
• ABVS和DBT的互补性表明,联合使用可以提高诊断准确性.
• 非几何放射性特征显示了将虚拟活检整合到常规医疗实践中的希望.