可解释的乳腺癌分子表达预测使用基于3D全乳腺超声波的多任务深度学习

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:

• 准确预测乳腺癌生物标志物 (ER,PR,HER2) 对于治疗决策至关重要.
• 目前的方法通常需要侵入性手术,突出了对非侵入性估计的需要.
• 深度学习为提高医学成像诊断能力提供了潜力.

研究的目的:

• 使用3D全乳腺超声波 (3DWBUS) 进行非侵入性估计乳腺癌生物标志物ER,PR和HER2.
• 通过多任务深度学习提高生物标志物预测模型的性能和可解释性.
• 将多任务模型与单任务模型进行比较,以预测这些生物标志物.

主要方法:

• 388名乳腺癌患者接受了3DWBUS检查.
• 开发了两个深度学习模型:用于生物标志物预测的单任务模型和将瘤细分与生物标志物预测相结合的多任务模型.
• 使用AUC指标评估模型性能,并与Delong测试进行比较;通过Grad-CAM++可视化评估可解释性.

主要成果:

• 多任务模型在测试组中表现出优越的整体性能,与单任务模型 (0.708) 相比,实现了更高的宏观AUC (0.733).
• 个体生物标志物预测的表现不同,多任务模型的表现优于PR和HER2的单任务模型.
• 格拉德-CAM++可视化表明,多任务模型更有效地关注患病组织,增强可解释性.

结论:

• 多任务深度学习模型有效地从3DWBUS图像中非侵入性地预测乳腺癌生物标志物.
• 与单一任务模型相比,多任务方法提高了预测准确性,并提供了更好的临床解释性.
• 这项技术有望提高向药物查效率和乳腺癌管理中的临床决策.