乳腺癌的自动细分和分子亚型分类使用基于MRI的深度学习框架
Xiaoxia Wang1, Xiaofei Hu2, Churan Wang3,4
1Department of Radiology, Chongqing University Cancer Hospital, Chongqing Key Laboratory for Intelligent Oncology in Breast Cancer (iCQBC), No. 181 Hanyu Road, Shapingba District, Chongqing, China 400030.
Radiology. Imaging cancer
|April 18, 2025
概括
一个新的深度学习框架使用对比增强的MRI准确地细分乳腺癌病变并分类分子亚型. 这种人工智能工具在自动诊断乳腺癌方面表现强,有助于瘤学研究.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学中使用人工智能
- 乳腺癌研究研究 乳腺癌研究
背景情况:
- 精确的乳腺癌分子亚型确定对于治疗选择和预后至关重要.
- 目前用于分类的方法可能是侵入性的和耗时的.
- 深度学习为医疗成像数据的自动化分析提供了潜力.
研究的目的:
- 开发一个深度学习框架,利用对比增强的MRI进行自动化乳腺癌病变细分.
- 使用开发的框架实现乳腺癌分子亚型的自动分类.
- 为了评估框架在多个数据集中的性能,以确保稳定性.
主要方法:
- 一项回顾性多中心研究包括687名患有侵袭性乳腺癌的患者.
- 使用3D ResU-Net模型进行自动乳腺损伤细分.
- 一个整体模型 (Ensemble ResNet) 结合了2D和3D特征,用于分子亚型的分类.
主要成果:
- 细分模型在内部和外部数据集中实现了高的子得分 (0.82-0.86).
- 集团ResNet模型在分类Luminal A,Luminal B,HER2丰富和三阴性乳腺癌 (TNBC) 亚型 (AUC范围为0.68-0.84) 中表现出强的表现.
- 该框架显示了所有测试数据集的强大和准确的分类.
结论:
- 基于MRI的深度学习框架为完全自动的乳腺癌分子亚型分类提供了一个高度准确和强大的方法.
- 这种人工智能驱动的方法有可能显著改善乳腺癌的诊断和管理.
- 该框架的性能突显了先进成像和AI在精密瘤学的实用性.
