AsymMirai:可解释的基于乳腺扫描的深度学习模型,用于1-5年的乳腺癌风险预测
Jon Donnelly1, Luke Moffett1, Alina Jade Barnett1
1From the Departments of Computer Science (J.D., L.M., A.J.B., C.R.) and Electrical and Computer Engineering (C.R.), Duke University, 308 Research Dr, LSRC Building D101, Duke Box 90129, Durham, NC 27708; Department of Radiology and Imaging Services, Emory University, Atlanta, Ga (H.T.); Department of Radiology, Harvard University, Cambridge, Mass (F.S.); and Department of Radiology, Duke University School of Medicine, Durham, NC (J.L.).
Radiology
|March 19, 2024
概括
一个新的深度学习模型,AsymMirai,利用乳腺组织的不对称性来预测癌症风险,实现与复杂的Mirai算法相似的性能. 这种可解释的方法通过识别关键的成像标志物来提高乳腺癌风险评估.
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:
- 深度学习算法Mirai在预测短期乳腺癌风险方面表现出色,但它充当了一个黑子,可能导致过度依赖和误诊.
- 医学成像中的深度学习模型的可解释性对于临床信任和准确的诊断决策至关重要.
研究的目的:
- 调查双边不相似性 (左右乳腺组织之间的差异) 是否是Mirai风险预测的关键因素.
- 开发AsymMirai,一个基于双边不相似性的简化,可解释的深度学习模型,用于乳腺癌风险预测.
- 评估AsymMirai在接近Mirai1-5年乳腺癌风险预测准确度方面的表现.
主要方法:
- 追溯分析了EMory BrEast成像数据集 (EMBED) 中81,824名患者的210,067张查性乳房造影.
- 开发AsymMirai,将局部双边不相似性作为可解释模块,以预测1-5年乳腺癌风险.
- 使用皮尔森相关性和接收器运行特征曲线 (AUC) 分析的Area Under the Receiver运行特征曲线 (AUC) 的AsimMirai和Mirai风险得分的比较.
主要成果:
- AsymMirai与Mirai的风险评分有很强的相关性 (1年:r=0.6832,4-5年:r=0.6988),表明了类似的推理.
- 阿西姆米瑞的性能与米瑞相似:一年AUC为0.79 (米瑞为0.84),五年AUC为0.66 (米瑞为0.71).
- 在一个具有一致的AsimMirai推理的子组中,达到0.92的3年AUC,突出了在特定情况下高精度的潜力.
结论:
- 局部双边不相似性是一个关键的成像标记,它接近Mirai的预测能力,是其推理过程的基础.
- AsymMirai为乳腺癌风险预测提供了一个可解释的替代方案,证明简化模型可以实现与复杂的黑子算法相比较的性能.
- 这些发现支持可解释AI在改善乳腺癌风险评估和潜在地提高诊断准确性的临床实用性.
