在乳腺癌患者中,深度学习预测支淋巴结转移,使用临床含义应用预处理的CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确检测状淋巴结 (ALN) 转移对于乳腺癌的分期和治疗至关重要.
• 计算机断层扫描 (CT) 图像是术前评估的一个关键工具.

研究的目的:

• 开发和评估一种深度学习模型,用于更好地预测乳腺癌患者的ALN转移.
• 调查临床含义应用的预处理和裁剪方法对模型性能的影响.

主要方法:

• 利用了来自523名乳腺癌患者的1128个轴心CT图像.
• 采用CT图像预处理协议,具有临床影响,以及两种裁剪方法 (固定尺寸裁剪和可调整的方形裁剪).
• 应用了三个卷积神经网络 (CNN) 架构 (ResNet,DenseNet,EfficientNet) 和组合方法.

主要成果:

• 在这两种作物方法中,DenseNet架构的表现优于ResNet和EfficientNet.
• 组合模型将DenseNet121从两种裁剪方法中结合起来,实现了0.968的AUROC,0.938的精度,0.980的灵敏度和0.903.90的特异性.
• 梯度加权类激活映射表明该模型分析了淋巴结边缘和相邻的软组织.

结论:

• 深度学习模型在乳腺癌中准确检测恶性ALN方面显示出显著的前景.
• 将临床考虑纳入图像处理和使用组合方法可以提高诊断精度.
• 开发的模型提供了一个潜在的工具,以帮助放射科医生在乳腺癌分期.