使用视觉变压器和卷积神经网络特征对乳腺癌的分子亚型进行分类
Chiharu Kai1,2, Hideaki Tamori3, Tsunehiro Ohtsuka4
1Department of Radiological Technology, Faculty of Medical Technology, Niigata University of Health and Welfare, 1398 Shimamichou, Kita-Ku, Niigata, Japan.
Breast cancer research and treatment
|January 22, 2025
概括
乳腺造影与视觉转换器 (ViT) 和卷积神经网络 (CNN) 结合,可以准确地分类乳腺癌分子亚型. 这种非侵入性方法有助于早期检测和治疗,特别是在激进的三阴性乳腺癌.
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:
- 精确的乳腺癌分子亚型化对于治疗优化至关重要,但通常需要侵入性活检.
- 非侵入性成像方法正在成为分子亚型分类的有希望的替代方案.
- 乳腺癌查工具 - - 广泛使用的乳腺癌查工具 - - 乳腺镜有潜力进行亚型分类,从而实现更广泛的早期干预.
研究的目的:
- 评估使用视觉变换器 (ViT) 和卷积神经网络 (CNN) 进行乳腺癌分子亚型分类的全球和本地乳房扫描特征组合的有效性.
- 与单独使用ViT或CNN相比,评估这种综合方法的性能.
主要方法:
- 使用ViT和EfficientnetV2特征提取器提取的特征值.
- 应用主要组件分析用于维度压缩.
- 利用LightGBM对每个分子亚型进行二进制分类:三阴性,HER2丰富,光线A和光线B.
主要成果:
- 联合ViT和CNN方法的准确性高于单独的两个模型.
- 对于三重阴性亚型 (0.900,F值=0.818) 实现了高灵敏度.
- 其他亚型的F值和灵敏度包括:HER2丰富 (0.720,0.750),光线A (0.765,0.867) 和光线B (0.614,0.711).
结论:
- 将ViT和CNN与乳腺特征结合起来,可以准确地分类乳腺癌分子亚型.
- 这种非侵入性方法可能会简化早期治疗和分拣,特别是在三阴性乳腺癌等高风险亚型中.
