对组织特异性的放射性特征进行了可靠的评估,以对乳腺组织密度等级进行分类
Vincent Dong1, Walter Mankowski2, Telmo M Silva Filho3
1University of Pennsylvania, Department of Bioengineering, Philadelphia, Pennsylvania, United States.
Journal of medical imaging (Bellingham, Wash.)
|June 2, 2025
概括
这项研究引入了一种强大的RFE-SHAP方法,用于使用数字乳腺图解合成的放射性特征来分类乳腺密度. 该方法准确地捕捉了密度的进展,并很好地将其推广到验证数据集.
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
- 生物医学数据科学 生物医学数据科学
背景情况:
- 准确的乳腺密度评估对于乳腺癌风险评估至关重要,因为密集的组织可以掩盖病变.
- 放射科医生对乳腺密度的评估显示,尽管有标准化指南,但乳腺密度存在显著的变化.
- 目前用于自动化乳腺密度评估的深度学习工具在稳定性和可解释性方面面临挑战.
研究的目的:
- 评估使用SHapley添加式扩展 (RFE-SHAP) 的递归特征消除方法来分类乳腺密度等级的稳定性.
- 使用RFE-SHAP识别具有高度预测性和影响力的组织特定放射性特征.
- 通过逻辑回归和无监督聚类来评估乳腺密度等级的分类性能和内在分离性.
主要方法:
- 放射性特征是从数字乳腺瘤合成 (DBT) 查的原始中央投影中提取的.
- 使用RFE-SHAP (Recursive Feature Elimination with SHapley Additive exPlanations) 方法进行特征选择.用于特征选择,采用了递归特征消除与夏普利增量扩张 (RFE-SHAP) 方法.
- 用物流回归 (LR) 分类器进行性能评估,并进行交叉验证和外部验证.
- 使用无监督聚类来研究基于所选特征的密度等级的可分离性.
主要成果:
- 密度等级A,B,C和D的交叉验证的AUC分别为0.909,0.858,0.927和0.890.
- 在对非密集乳房与密集乳房进行分类时,获得了0.936的整体AUC.
- 外部验证的AUC为0.880 (A),0.779 (B),0.878 (C),0.673 (D) 和0.823的非密度/密度分类.
- 无监督聚类证实,所选的放射性特征有效地表征了不同乳腺密度等级.
结论:
- RFE-SHAP方法论在使用DBT的放射性特征来分类乳腺组织密度方面表现出强度.
- 选择的特征准确地捕捉了乳腺密度等级的进展,并很好地将其概括为验证数据集.
- 这些发现支持进一步的研究,将选定的放射性特征与乳腺组织密度的临床描述符相关联.
