自我知识蒸用于预测乳腺癌分子亚型,基于数字乳腺图莫合成
Wei Guo1, Jiayi Bo1, Shilin Chen1
1School of Computer, Shenyang Aerospace University, Shenyang, 110122, Liaoning, China.
Medical & biological engineering & computing
|June 2, 2025
概括
这项研究引入了一种自我知识蒸 (Self-KD) 方法,用于早期乳腺癌 (BC) 分子类型的预测,使用数字乳腺图解 (DBT) 图像. 这种新的方法通过有效利用标记和未标记的成像数据显著提高了预测准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的乳腺癌 (BC) 分子类型的早期预测对于有效的治疗计划至关重要.
- 数字乳房图解 (DBT) 提供了先进的成像功能,但有限的标记数据阻碍了AI模型的开发.
- 自我认识蒸 (self-KD) 是利用医学成像中的未标记数据的潜在解决方案.
研究的目的:
- 通过使用DBT图像,研究一种自我知识蒸 (self-KD) 框架的有效性,用于使用DBT图像进行早期BC分子亚型预测.
- 通过使用未标记的DBT和MRI数据来解决缺乏标记的DBT图像的挑战.
- 通过一种新的自我KD方法来提高BC分子亚型预测的准确性.
主要方法:
- 对368名患有DBT和/或MRI扫描的患者进行了回顾性分析.
- 提出了一种逐步改进的自我KD框架,涉及一个教师网络,该网络预先训练了未标记的MRI数据,并逐步改进了未标记的DBT数据.
- 集成了一个适应噪声的层,以改进由教师网络生成的软标签,以改善学生网络学习.
主要成果:
- 拟议的自KD方法实现了ROC曲线下的面积 (AUC) 为0.834,精度 (ACC) 为0.732,灵敏度 (SEN) 为0.930,特异性 (SPE) 为0.734.
- 与基线知识蒸 (KD) 相比,自我KD显示了显著的改善:AUC +9%,ACC +6%,SEN +26%,SPE +9%.
- 该方法有效地利用了标记和未标记的图像,超过了BC分子亚型预测的现有方法.
结论:
- 提出的自KD框架与逐步改进是有效的早期BC分子亚型预测使用DBT图像.
- 这种方法成功地利用未标记的医学成像数据来提高预测准确性,解决数据稀缺问题.
- 自我KD方法为人工智能驱动的诊断在乳腺癌管理中提供了有希望的进步.
