RAE-Net:一个基于特征融合和证据深度学习算法的多模式神经网络,用于预测DCE-MRI上的乳腺癌亚型

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确的乳腺癌分子亚型识别对于个性化治疗策略至关重要.
• 动态对比增强磁共振成像 (DCE-MRI) 为乳腺癌分析提供了宝贵的数据.
• 现有的子类型预测方法往往缺乏足够的准确性或计算效率.

研究的目的:

• 引入RAE-Net,一种新的神经网络模型,用于使用DCE-MRI改进乳腺癌亚型预测.
• 利用多模式特征融合 (MFF) 和证据深度学习算法 (EDLA) 提高分类可靠性和不确定性估计.
• 评估RAE-Net的性能与传统的放射学和现有的深度学习模型相比.

主要方法:

• 开发了RAE-Net,这是一个基于ResNet-50的模型,包含多头注意力 (MHA) 融合和多层感知器 (MLP) 机制.
• 通过MFF结合放射学和深度学习功能,用于全面的数据分析.
• 综合EDLA用于不确定性估计,以提高对344名乳腺癌患者数据集的分类稳定性.

主要成果:

• RAE-Net的平均精度为0.83和Macro-F1得分为0.78,超过了独立的放射学和深度学习模型.
• 使用0.2的EDLA不确定性值显著提高了性能,达到0.97准确度和0.92宏F1.1.
• 与ResGANet和HIFUSE相比,RAE-Net表现出优越的性能,精度提高,计算成本和参数显著降低.

结论:

• RAE-Net有效地整合了多模式特征融合和不确定性估计,以从DCE-MRI中准确预测乳腺癌亚型.
• 该模型提供高诊断准确度,并保持计算效率,表明其临床实用性.
• 在临床环境中,RAE-Net为乳腺癌亚型识别提供了一个有前途,可靠和资源高效的工具.