开发和验证一个深度学习系统,以区分HER2-零,HER2-低和HER2-阳性乳腺癌,基于动态对比增强MRI

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 之前的研究探索了MRI放射性特征用于HER2乳腺癌分类.
• 深度学习在这个领域的有效性仍然不确定.

研究的目的:

• 使用DCE-MRI开发和验证用于自动瘤细分和HER2状态分类 (HER2-零,HER2-低,HER2-阳性) 的深度学习系统.
• 评估该系统在术前对乳腺癌HER2表达的分化方面的潜力.

主要方法:

• 对1294名乳腺癌患者进行了回顾性研究.
• 利用了动态对比增强型MRI (DCE-MRI) 数据.
• 开发了一个自动化细分网络和ResNetGN深度学习模型用于HER2分类.
• 使用子相似系数 (DSC) 评估细分和使用曲线下的面积 (AUC),精度,灵敏度和特异性进行分类.

主要成果:

• 自动细分实现了0.85-0.90.90的DSC值.
• 深度学习模型在不同的HER2状态和测试集中实现了AUC从0.768到0.820.
• 该系统在区分HER2表达水平方面表现出可靠的性能.

结论:

• 拟议的基于DCE-MRI的深度学习系统显示了乳腺癌HER2表达的手术前分化有前途.
• 这项技术可能对患者管理产生重大治疗影响.