预外科升级预测DCIS到侵入性导管癌使用时间依赖的深度学习模型与DCE MRI
John D Mayfield1, Dana Ataya1, Mahmoud Abdalah1
1From the Departments of Radiology (J.D.M.), Oncologic Sciences (D.A., M.M.B., N.R., B.N.), and Medical Engineering (J.D.M.), University of South Florida College of Medicine, 12901 Bruce B. Downs Blvd, Tampa, FL 33612; and Department of Diagnostic Imaging and Interventional Radiology (D.A., B.N.), Department of Pathology (M.M.B.), Department of Cancer Physiology (N.R.), Quantitative Imaging CORE (M.A., O.S., I.E.N.), and Department of Machine Learning (M.M.B., I.E.N.), H. Lee Moffitt Cancer Center and Research Institute, Tampa, Fla.
Radiology. Artificial intelligence
|June 20, 2024
概括
时间依赖的深度学习模型可以准确地预测在位管道癌 (DCIS) 升级为侵入性乳腺癌,使用动态对比增强的MRI. 这些模型在不需要损伤细分的情况下优于单个时间点方法.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 管道癌 in situ (DCIS) 是一种非侵入性乳腺疾病,有可能发展为侵入性恶性瘤.
- 准确预测DCIS升级对于适当的治疗决定至关重要.
- 动态对比增强 (DCE) MRI为乳腺病变的特征提供了有价值的功能信息.
研究的目的:
- 评估时间依赖的深度学习模型在预测DCIS到侵袭性乳腺癌的术前升级方面的有效性.
- 将顺序深度学习模型的性能与单个时间点模型进行比较.
- 评估病变细分是否是使用这些模型准确预测的先决条件.
主要方法:
- 从活检证明的DCIS患者中对154个手术前DCEMRI扫描进行了回顾性分析.
- 使用卷积神经网络 (CNN) -长短期记忆 (LSTM) 架构实现二进制分类.
- 将CNN-LSTM模型与传统的CNN进行比较,使用VGG16和ResNet50,没有手动的病变细分.
主要成果:
- 与基于ResNet50的CNN-LSTM模型 (0.62) 相比,基于VGG16的CNN-LSTM模型实现了更高的多相测试AUC (0.73).
- 时间依赖的CNN-LSTM模型表现出优异的性能 (AUC,0.73) 与单个时间点的CNN模型 (AUC,0.67).
- 开发的深度学习模型预测了DCIS升级,而不需要手动的损伤细分.
结论:
- 在手术前的DCE MRI中应用的序列深度学习算法可以有效地预测DCIS升级为侵入性恶性瘤.
- 时间依赖模型为此任务提供了比单个时间点模型更好的预测性能.
- 这些发现表明,DCIS升级的自动化,无细分预测有潜力,有助于临床决策.
