使用ResNet技术开发和验证一个改进的体积乳腺密度估计模型

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的机器学习
• 癌症风险评估的生物标志物

背景情况:

• 体积乳腺密度 (VBD) 的时间变化是乳腺癌风险的潜在预后生物标志物.
• 从存档的乳房影像中准确测量VBD是一个持续的挑战.
• 之前的回归模型为VBD估计实现了0.868的R2.

研究的目的:

• 开发和应用先进的机器学习和深度学习模型,用于从乳房图片中估计VBD.
• 将随机森林,XG-Boost和ResNet模型的性能与以前的方法进行比较.
• 建立一个可靠的方法,用于追溯VBD分析,以预测未来的乳腺癌风险.

主要方法:

• 应用随机森林,XG-Boost和剩余网络 (ResNet) 机器学习模型到一组乳房图像数据集.
• 使用成像参数 (管子电压,电流,曝光时间) 和患者年龄作为输入特征.
• 进行了五次交叉验证,以确保使用R2,RMSE和MAE等指标进行可靠的模型性能评估.

主要成果:

• ResNet实现了0.918的最高确定系数 (R2),超过了随机森林 (0.895) 和XG-Boost (0.907).
• ResNet显示出始终较低的错误指标 (RMSE,MAE等). 在所有评估的折叠中.
• 所有开发的机器学习模型都超过了先前多重回归方法的性能.

结论:

• 该ResNet模型准确地从历史性乳房造影中确定体积乳房密度,这是该领域的重大进步.
• 这种高精度的回顾性VBD分析能力对于改善未来乳腺癌风险预测至关重要.
• 这些发现支持使用先进的AI模型进行乳腺癌研究中对VBD的时间序列分析.