在使用CT成像和深度学习的局部晚期乳腺癌患者中预先预测化疗反应:变压器与转移学习:变压器与转移学习
Amir Moslemi1, Laurentius Oscar Osapoetra1, Archya Dasgupta1
1Physical Sciences, Sunnybrook Research Institute, Toronto, ON, Canada.
Frontiers in oncology
|May 17, 2024
概括
在局部晚期乳腺癌 (LABC) 中预测新辅助化疗反应至关重要. 深度学习模型,特别是ViT变压器,在使用CT扫描预测治疗结果方面表现有前途.
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:
- 新辅助化疗 (NAC) 对于治疗局部晚期乳腺癌 (LABC) 是至关重要的.
- 在治疗前预测患者对NAC的反应可以优化治疗选择.
- 准确的预测有助于管理有效的治疗方法并改善患者的治疗结果.
研究的目的:
- 开发一个预测模型来评估LABC患者对NAC的瘤反应.
- 利用深度学习网络和计算机断层扫描 (CT) 成像来预测治疗反应.
- 为此预测任务比较各种深度学习架构的性能.
主要方法:
- 研究了多个深度学习模型:ViT变压器,VGG16,VGG19,ResNet变体,InceptionV3和Xception.
- 将这些网络应用于117名LABC患者的CT图像,以预测NAC反应.
- 使用精度,平衡精度,灵敏度和特异性指标评估模型性能.
主要成果:
- ViT变压器实现了最高的性能,精度在71%至77%之间.
- Xception网络展示了第二最好的结果,显示了具有竞争力的预测能力.
- 在测试的深度学习模型中,VGG-16的表现最低.
结论:
- 深度学习模型与CT成像相结合,可以有效预测LABC患者的NAC瘤反应.
- ViT变压器的卓越性能凸显了医疗图像分析中注意力机制的重要性.
- 这种方法为LABC的个性化治疗策略提供了潜在的工具.
