使用DBT 2.5D深度学习模型预测乳腺癌的价值
Huandong Niu1, Li Li2, Ximing Wang3
1Department of Radiology, Yantai Zhifu Hospital, No. 51,Qingnian Road, Yantai, People's Republic of China.
Discover oncology
|March 29, 2025
概括
使用数字乳腺图莫合成 (DBT) 的2.5维深度学习 (DL) 模型显示,它有望预测乳腺癌. 整合临床数据进一步提高了早期诊断模型的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的术前乳腺癌预测对于有效的治疗计划至关重要.
- 数字乳房显微镜 (DBT) 与乳房摄影相比,可以更好地可视化乳房组织.
- 深度学习 (DL) 模型在医学图像分析中显示出潜力.
研究的目的:
- 评估2.5维DL模型的准确性和有效性,利用DBT进行乳腺癌预测.
- 将各种DL和机器学习模型的性能与集成的临床数据进行比较.
主要方法:
- 追溯分析361例患有乳腺瘤病变的患者病例.
- 使用深度卷积神经网络 (DCNN) 来从DBT图像中提取特征.
- 开发了2.5D功能集,机器学习模型,以及一个包含临床数据的综合物流回归模型.
- 使用ROC曲线,AUC,精度,灵敏度,特异性,PPV,NPV和F1分数进行性能评估.
主要成果:
- 综合模型实现了最高的精度 (80.6%) 和AUC (0.871).
- 2.5D DL模型在灵敏度,特异性和F1分数方面表现强.
- 像多层感知子和综合模型这样的特定模型显示出卓越的预测能力.
结论:
- 基于DBT的2.5D DL模型对于术前乳腺癌预测是有效的.
- 与临床数据的整合显著提高了模型的预测能力.
- 结合DL和放射学,为早期乳腺癌诊断和个性化医学提供了一个可行的策略.