应用多任务和多实例框架来预测乳腺癌中带淋巴结转移的情况.
Yizhi Li1,2, Zonglin Chen1,2,3,4, Ziyuan Ding5
1Department of Pharmacy, The Second Xiangya Hospital, Central South University, Changsha, 410000, China.
NPJ precision oncology
|June 18, 2025
概括
这项研究引入了一种新的深度学习框架,用于使用多视图成像预测乳腺癌状淋巴结状态. 这种先进的模型显示出高精度,帮助临床医生进行诊断.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 深度学习模型显示了预测状淋巴结 (ALN) 状态的潜力.
- 现有的模型往往缺乏对现实世界临床场景的多视图联合预测能力.
研究的目的:
- 开发和评估一个多任务学习 (MTL) 和多实例学习 (MIL) 深度学习框架,用于预测乳腺癌中ALN状态.
- 用初级瘤和ALN区域的超声波图像来模拟临床诊断场景.
主要方法:
- 提出了一个采用Segformer变压器模型的两阶段深度学习框架.
- 该模型在带有细分标签的超声波图像上进行了训练,并在内部和外部测试队列中进行了验证.
- 使用类激活映射可视化模型预测.
主要成果:
- 该框架在内部测试队列中实现了0.832的AUC (灵敏度0.815,特异性0.854).
- 在外部测试队列中,该模型的AUC为0.918 (灵敏度0.851,特异性0.957).
- 类激活映射证实了瘤和ALN区域中转移性区域的准确识别.
结论:
- 拟议的深度学习框架在预测乳腺癌中ALN状态方面表现强.
- 这种模型可以作为一个有效的工具,帮助临床医生评估ALN状态,从而提高诊断准确度.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.4K