乳房肌肉切除对基于深度学习的乳腺癌风险预测的影响
Zan Klanecek1, Yao-Kuan Wang2, Tobias Wagner2
1Faculty of Mathematics and Physics, Medical Physics, University of Ljubljana, Ljubljana, Slovenia.
Physics in medicine and biology
|February 6, 2025
概括
在训练期间切除胸肌可以改善乳腺癌风险 (BCR) 预测模型. 没有胸肌的微调模型显著提高了BCR区分性能,为早期检测提供了更好的准确性.
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:
- 最先进的乳腺癌风险 (BCR) 预测模型通常使用包括胸肌 (PM) 的乳房影像进行训练.
- 胸部肌肉包含对BCR预测深度学习模型性能的影响尚未完全理解.
研究的目的:
- 调查在深度学习模型的训练或微调过程中排除胸肌 (PM) 是否会提高BCR的区分,校准和强度.
- 评估现有模型中PM对BCR预测的相对贡献.
主要方法:
- 验证了在美国数据上训练的原始深度学习模型 (MIRAI),并使用突出地图评估了PM的贡献.
- 从斯洛文尼亚收集了23,792张乳房影像,创建了带有和没有查阳性检查的数据集.
- 微调MIRAI模型在斯洛文尼亚的PM和没有PM的数据集上,比较四个模型 (原始MIRAI与/或没有PM,微调MIRAI与/或没有PM) 在歧视,校准和稳定性方面.
主要成果:
- 胸部肌肉 (PM) 在原始MIRAI模型中对BCR预测的贡献最小 (∼5%),除了一些例外.
- 排除PM并没有显著影响原始MIRAI模型的歧视性能.
- 在没有PM的乳房影像上微调MIRAI显著改善了1-5年BCR区分性能 (AUCs:0.82-0.93与查阳性检查,0.71-0.79没有).
- 在重新校准后,所有模型都表现出类似的预期校准误差 (ECE).
结论:
- 训练或微调深度学习模型的乳房影像与胸部肌肉 (PM) 删除可以显著提高乳腺癌风险 (BCR) 歧视性能.
- 排除PM是一种可行的策略,可以提高AI驱动的BCR预测工具的准确性.
