一个深度学习模型,通过融合来自两个研究所的多个DCE-MRI序列来预测乳腺癌的分子亚型

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的乳腺癌分子亚型对治疗选择至关重要.
• 动态对比增强型MRI (DCE-MRI) 提供了有价值的成像生物标志物.
• 深度学习 (DL) 在分析复杂的医学成像数据方面表现有前途.

研究的目的:

• 用DCE-MRI评估DL在预测乳腺癌分子亚型方面的表现.
• 为此任务开发和评估一种新的多分支卷积神经网络 (MBCNN).
• 将MBCNN与现有的DL模型进行比较.

主要方法:

• 这是一项对来自两个研究所的366名乳腺癌患者的回顾性研究.
• 开发一个具有外观转换的多分支卷积神经网络 (MBCNN).
• 使用不同兴趣区域 (ROI) 和融合策略评估MBCNN.

主要成果:

• MBCNN以中间融合和80像素的ROI大小实现了最佳性能.
• 在预测光线B,HER2丰富和TN亚型方面,MBCNN的表现优于CNN和CLSTM.
• 对于四个亚型的预测,MBCNN的准确度为0.64,超过了CNN (0.48) 和CLSTM (0.52).

结论:

• 一个使用特征提取和DCE-MRI的融合开发的DL模型使得乳腺癌分子亚型的术前预测.
• 该MBCNN显示高的诊断性能乳腺癌分子亚型预测.
• 这种方法通过准确的手术前亚型化,促进了个性化治疗策略.