优化深度学习模型用于光线和非光线乳腺癌分类使用多维ROI在DCE-MRI-A多中心研究中的多维ROI
Zhenfeng Huang1,2, Zhikun Qiu3, Shuyuan Chen4
1Department of Thyroid & Breast Surgery, The Fifth Affiliated Hospital, Sun Yat-sen University, Zhuhai, China.
Cancer medicine
|May 10, 2025
概括
一个2.5D深度学习模型使用DCE-MRI有效地区分乳腺癌亚型. 这种采用4毫米周围瘤区域的模型显示出它是用于诊断光线与非光线瘤的有希望的诊断工具.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 深度学习模型越来越多地用于医学成像分析.
- 以前的研究还没有全面评估兴趣区域 (ROI) 维度,周扩张和细分策略对乳腺癌亚型的深度学习模型性能的影响.
- 区分乳腺癌的分子亚型对于指导治疗决策至关重要.
研究的目的:
- 用DCE-MRI评估多维深度转移学习模型在区分光线和非光线乳腺癌亚型方面的性能.
- 在不同的细分场景下,系统地比较ROI维度 (2D/2.5D/3D) 和周围扩张水平 (0-8mm) 的影响 (ROI仅与ROI原始).
- 通过转移学习优化乳腺癌亚型的深度学习模型.
主要方法:
- 从426名原发性侵袭性乳腺癌患者的DCE-MRI数据回顾性收集,分为三个队列 (培训,验证1,验证2).
- 对ROI的划定,随后进行了2,4,6和8mm的扩展.
- 评估使用ROC曲线和决策曲线分析的各种深度转移学习模型,考虑精确的细分和周围区域.
主要成果:
- 2.5D深度学习模型,使用ROI原始细分与4mm周围扩张,实现了最佳的性能.
- 该模型在所有队列中显示出高AUC值:0.808 (训练),0.766 (验证1) 和0.799 (验证2).
结论:
- 一个2.5D深度学习模型,包括最小界限框 (ROI原始) 的三个主要切片和4mm周围区域,有效地区分了光和非光乳腺癌.
- 这种方法显示了作为使用DCE-MRI进行乳腺癌分子亚型的非侵入性诊断工具的潜力.
