DLCNBC-SA:在乳腺癌早期患者中评估状淋巴结转移状态的模型
Aiguo Zhang1, Zhen Chen1,2, Shengxiang Mei3
1College of Computer and Information Engineering, Xiamen University of Technology, Xiamen, China.
Quantitative imaging in medicine and surgery
|August 15, 2024
概括
这项研究开发了一种深度学习模型,使用原发性瘤活检来识别带淋巴结中的乳腺癌转移. 该模型实现了卓越的准确性,帮助病理学家进行诊断.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 轴心淋巴结 (ALN) 状态对于乳腺癌转移的预后至关重要.
- 对于ALN转移的整片图像 (WSI) 的手动解释是主观的,耗时的.
- 深度学习为改善,客观和高效的医学图像分析提供了潜力.
研究的目的:
- 开发一种深度学习模型,用于在早期乳腺癌中术前识别ALN转移.
- 为此识别,利用原发性瘤活检的特征.
- 协助病理学家分析WSIs,提高诊断效率和准确性.
主要方法:
- 开发了DLCNBC-SA,这是一个集成卷积神经网络 (CNN) 功能提取器和自我注意力机制的深度学习网络.
- 为核心针活检和临床数据特征提取量身定制模型.
- 通过比较实验,废除研究和对公共数据集的定量分析验证了性能.
主要成果:
- 拟议的模型实现了ALN的优异二进制分类性能,曲线下的面积 (AUC) 为0.882.
- 在相同的数据集上表现优于最先进的 (SOTA) 方法 (AUC:0.862).
- 废除研究表明,随机旋转数据增强和阿达德尔塔优化器增强了模型性能.
结论:
- 与SOTA方法相比,开发的深度学习模型在识别ALN转移方面表现优越.
- 该模型是病理学家在乳腺癌的WSI分析中可靠的助手.
- 它显著提高了临床医生的诊断效率和准确性.
