深度学习模型使用乳房扫描图像来预测乳腺癌中雌激素受体状态
Wenfeng Duan1, Zhiheng Wu2, Huijun Zhu2
1Department of Radiology, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University Nanchang, Jiangxi, China.
American journal of translational research
|July 15, 2024
概括
一个新的深度学习模型准确地预测乳腺癌患者使用乳房图像的雌激素受体 (ER) 状态. 与传统方法相比,这种非侵入性方法提供了更好的诊断精度.
科学领域:
- 医疗成像中的人工智能
- 在瘤学瘤学.
- 放射学 放射学是指放射学
背景情况:
- 雌激素受体 (ER) 状态对于乳腺癌预后和内分泌治疗疗效至关重要.
- 针对ER评估的侵入性活检由于瘤异质性而存在局限性.
- 开发用于预测ER状态的非侵入性方法至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于预测乳腺癌患者的ER状态,使用乳房影像.
- 评估模型的性能与传统的放射学方法相比.
主要方法:
- 从358名入侵性导管癌患者的乳房图像,ER水平和临床数据的回顾性收集.
- 开发IP-SE-DResNet深度学习模型,使用剩余网络和Squeeze-and-Excitation注意力.
- 用训练和测试数据集的精度,灵敏度,特异性和AUC来评估模型性能.
主要成果:
- IP-SE-DResNet模型实现了高AUC,在训练组中达到0.895,在测试组中达到0.886,在使用组合乳房镜视图时达到0.886.
- 性能明显超过了传统的放射学模型 (训练和测试的AUC分别为0.614和0.613).
- 该模型在不同的乳腺造影视图中展示了强大的预测能力.
结论:
- IP-SE-DResNet模型提供了一种强大的,非侵入性的方法,用于预测乳腺癌中ER状态.
- 这种人工智能驱动的方法有可能提高放射科医生的诊断准确性和效率.
- 基于乳腺造影的深度学习显示了改善乳腺癌管理的前景.
