基于深度学习的乳腺癌风险预测的纵向解释性
Zan Klanecek1, Yao-Kuan Wang2, Tobias Wagner2
1Faculty of Mathematics and Physics, Medical Physics, University of Ljubljana, Ljubljana, Slovenia.
Physics in medicine and biology
|December 11, 2024
概括
深度学习模型可以检测乳腺癌早期症状. 可解释性揭示了模型作为短期预测的检测工具,并确定中期预测的早期瘤发育.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习模型实现了最先进的乳腺癌风险预测 (BCR).
- 了解BCR预测的机制对于临床信任和应用至关重要.
- 关键的问题仍然是,这些模型是否能检测出癌症的形态变化.
研究的目的:
- 确定瘤过程为BCR模型提供足够信号以检测变化的时间框架.
- 提高基于深度学习的BCR预测模型的可解释性.
- 为临床医生提供关于模型行为的新视角.
主要方法:
- 利用MIRAI,一种BCR风险预测模型,对1210名诊断前查的患者和2400名长期随访的患者的查乳房图进行了测试.
- 定义归因异质性为使用八种解释性技术在乳房之间模型归因的相对差异.
- 量化模型依赖于癌症影响的乳腺侧面使用AUC,并通过曼-惠特尼U测试比较癌症患者和健康人之间的归因异质性.
主要成果:
- 模型依赖癌症方面在0-1年到癌症期间最高 (AUC=0.85-0.95),在1-3年内下降 (AUC=0.64-0.71),并在3-5年内保持在随机以上 (AUC=0.51-0.58).
- 所有八种归因方法都显示癌症患者中绝对归因中位数异质性显著更大 (p<0.01).
- 归因异质性的纵向趋势在所有测试方法中是一致的.
结论:
- 长期BCR预测 (>3年) 可能依赖于典型的乳腺特征,如密度.
- 中期预测 (1-3年) 表明该模型可以检测早期瘤发育的迹象.
- 短期预测 (≤1年) 表明BCR模型作为乳腺癌检测工具.
