相关实验视频
Updated: Jun 13, 2026
09:36
Changes in Mammary Gland Morphology and Breast Cancer Risk in Rats
Published on: October 16, 2010
29.4K
从查数字乳腺图解合成得出基于乳房扫描的风险评分,以预测5年乳腺癌风险
Shu Jiang1, Debbie L Bennett1, Graham A Colditz1
1Washington University in St. Louis, Saint Louis, MO, United States.
Cancer prevention research (Philadelphia, Pa.)
|March 11, 2025
概括
使用合成数字乳腺瘤合成 (DBT) 的新型人工智能模型准确预测5年乳腺癌风险,优于现有的早期检测和风险管理方法.
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
- 瘤学和癌症预防 癌症预防
背景情况:
- 查数字乳腺瘤合成 (DBT) 对于早期发现乳腺癌,提高治疗疗效和降低死亡率至关重要.
- DBT成像数据具有风险分层和指导预防性管理策略的潜力.
- 现有的风险预测模型可能无法充分利用像DBT这样的先进成像技术中可用的信息.
研究的目的:
- 开发和外部验证使用合成DBT图像进行5年乳腺癌风险预测模型.
- 评估模型的性能与已建立的风险预测工具相比,例如泰勒-库兹克模型.
- 通过对其风险估计进行校准以符合国家风险管理准则来证明模型的临床实用性.
主要方法:
- 转移学习被用来改进一个预测模型,使用来自Joanne Knight乳腺健康队列 (n=5,066) 的数据.
- 精确的模型在Emory乳腺成像数据集 (n=7,017) 上进行了内部和外部验证.
- 用曲线下的面积 (AUC) 来预测5年乳腺癌风险的模型性能进行了评估.
主要成果:
- 该模型在内部验证中达到0.75的5年AUC,在外部验证中达到0.72.
- 在结合年龄和乳腺成像报告和数据系统 (BI-RADS) 密度时,性能保持一致.
- 开发的模型显著优于泰勒-库兹克模型 (5年AUC0.56,P<0.01).
结论:
- 开发的AI模型有效地使用合成DBT预测5年乳腺癌风险,比传统方法更准确.
- 该模型能够根据国家风险层进行校准,这有助于为指导方针驱动的风险管理提供临床转换.
- 这种方法有可能在数字造乳镜程序中得到广泛实施,以加强预防乳腺癌的努力.
