应用深度学习在乳房图片上,以区分低风险和高风险的DCIS,以便患者参与积极监测试验
Sena Alaeikhanehshir1,2, Madelon M Voets1,3, Frederieke H van Duijnhoven2
1Division of Molecular Pathology, the Netherlands Cancer Institute, Amsterdam, Netherlands.
概括
卷积神经网络 (CNN) 可以区分低风险 (I / II 级) 管道癌在位 (DCIS) 和高风险 (III 级) DCIS或侵入性乳腺癌使用乳房影像. 这种人工智能工具有助于识别适合主动监测的患者,可能减少不必要的手术.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 管道癌在现场 (DCIS) 有不同的进展风险;积极监测正在试验低风险病例 (I/II级).
- 精确的DCIS分级在乳房镜中对于在主动监测试验中选择患者至关重要,特别是当手术前活检指导资格时.
- 目前用于评估乳房造影DCIS等级的方法需要改进,以支持积极监测协议中的临床决策.
研究的目的:
- 评估一个卷积神经网络 (CNN) 用于区分高风险 (III级) 的DCIS和/或侵入性乳腺癌 (IBC) 与低风险 (I/II级) 的DCIS. 使用乳腺特征.
- 评估CNN作为一种决策支持工具的实用性,用于将高风险患者排除在主动监测计划之外.
- 为了确定深度学习模型在基于成像特征的DCIS风险分类中的性能.
主要方法:
- 一项回顾性研究包括464名患有手术前活检诊断的DCIS的患者.
- 一个基于U-Net的CNN在681次乳房图像 (80%的病例) 上接受了培训,并在173次乳房图像 (20%的病例) 上得到了验证.
- 用曲线下的面积 (AUC) 和用于区分DCIS风险类别的预测值来测量分类性能.
主要成果:
- 美国有线电视新闻 (CNN) 在将DCIS分类为高风险 (III级) 的AUC为0.72,负预测值 (NPV) 为0.91.
- 为了区分高风险DCIS和/或隐性IBC与低风险DCIS,CNN的AUC为0.76,PPV为0.80和NPV为0.84.
- 该模型在乳房影像上显示出在低级和高级DCIS之间进行区分的显著能力.
结论:
- 开发的CNN有效地区分了低等级 (I/II) 和高等级 (III) 的DCIS,有或没有并存的IBC.
- 高AUC值 (0.72和0.76) 表明CNN作为临床实践中一个有价值的工具的潜力.
- 这种人工智能方法可以通过识别不太可能患有高风险疾病的患者来支持积极监测决策.
