一个基于胸部CT的深度学习模型,用于预测良性和恶性乳腺质量和状淋巴结转移
Jingxiang Sun1, Xiaoming Xi2, Mengying Wang2
1Department of Radiology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Shandong, China; Postgraduate Department, Shandong First Medical University (Shandong Academy of Medical Sciences), Shandong, China.
Biomolecules & biomedicine
|March 18, 2025
概括
使用胸部CT扫描的深度学习模型可以准确地区分良性和恶性乳腺质量,并预测状淋巴结转移 (ALNM). 这项技术为改善乳腺癌诊断和患者护理提供了宝贵的工具.
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:
- 准确区分良性乳腺质量与早期乳腺癌对于及时诊断和治疗至关重要.
- 评估状淋巴结转移 (ALNM) 对乳腺癌分期,治疗计划和预后至关重要.
- 胸部计算机断层扫描 (CT) 是一种常见的成像方式,用于患者评估.
研究的目的:
- 开发和评估使用胸部CT图像的深度学习模型,以改善乳腺病变的初步评估.
- 评估这些模型的潜力,以减少需要更昂贵的后续成像,如MRI或PET-CT.
- 调查模型在区分良性和恶性乳腺质量的能力,并预测ALNM.
主要方法:
- 追溯收集482名乳腺质量患者的非对比胸部CT图像.
- 质量分类为良性 (n=224) 或恶性 (n=258),恶性病例进一步分为ALNM阳性 (n=91) 和ALNM阴性 (n=167).
- 在图像预处理后应用ResNet-34,ResNet-50和ResNet-101深度学习架构进行分类和ALNM预测.
主要成果:
- 深度学习模型有效地区分了良性和恶性乳腺质.
- 在质量分类中,ResNet-101获得了最高的性能,曲线下的面积 (AUC) 为0.964 (95%CI:0.948-0.981).
- ResNet-101还显示出强大的ALNM预测能力,其AUC为0.951 (95%CI:0.926-0.975).
结论:
- 基于胸部CT成像的深度学习模型显示了乳腺质量分类的显著诊断潜力.
- 这些模型在预测状淋巴结转移 (ALNM) 中是有效的,有助于临床决策.
- 开发的模型为支持放射科医生和改善患者管理提供了一个有希望的,潜在的成本效益高的工具.
