排名注意力 淋巴结转移预测的多实例学习在多中心宫癌MRI上

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:

• 目前的淋巴结转移 (LNM) 诊断依赖于手术后的侵入性组织病理学检查.
• 对于预测LNM,特别是宫癌的非侵入性,手术前方法的急需.
• 准确的LNM预测对于有效的治疗计划和患者的结果至关重要.

研究的目的:

• 开发和验证一种新的非侵入性方法,用于在宫癌患者中进行淋巴结转移 (LNM) 的术前预测.
• 将深度学习与注意力机制结合起来,以提高使用T2加权MRI的诊断准确度.
• 为模型的预测提供视觉解释性,识别与LNM相关的信息区域.

主要方法:

• 开发了一种排名注意力多实例学习 (RA-MIL) 模型,将卷积神经网络 (CNN) 与排名注意力聚合相结合.
• 该RA-MIL模型处理2DMRI切片以提取成像特征,并生成患者级别的表示,用于LNM分类.
• 该研究包括300名患有宫癌的女性患者,利用来自医院和开源数据集的数据.

主要成果:

• 在RA-MIL模型中,在内部测试集中,接收器运行特征曲线 (AUC) 下的高面积为0.809,在公共数据集中为0.833.
• 与其他最先进的深度学习模型相比,该模型在LNM状态预测方面取得了显著的改进.
• 可视化突出了信息性的MRI切片和区域,提高了模型预测的可解释性.

结论:

• 开发的RA-MIL模型显示了作为宫癌手术前LNM预测的非侵入性辅助工具的潜力.
• 该模型提供视觉解释性,帮助临床医生了解诊断预测的基础.
• 这种方法可以提高诊断准确度,指导治疗决策,减少对侵入性手术的需要.