从使用深度卷积神经网络进行手术前对比增强计算机断层扫描来预测侵入性导管癌的复发率

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 预测乳腺癌复发对于治疗规划和患者监测至关重要.
• 目前的方法可能需要侵入性程序,突出了对非侵入性预测工具的需求.

研究的目的:

• 开发和评估深层卷积神经网络 (DCNN) 模型,用于预测乳腺癌复发风险.
• 为了利用术前对比增强计算机断层扫描 (CECT) 图像进行复发预测.

主要方法:

• 一项回顾性研究涉及133名侵入性导管癌患者.
• 开发使用手术前CECT图像的DCNN模型 (ResNet-101,DenseNet-201).
• 使用接收器运行曲线下的面积 (AUC) 进行性能评估,并进行离开一患者的交叉验证.

主要成果:

• 无论是ResNet-101还是DenseNet-201都实现了高分类准确度 (分别为0.73和0.72).
• 与ResNet-101 (0.68) 相比,DenseNet-201显示出一个统计学上显著的更高的中位数AUC (0.70).

结论:

• 术前基于CECT的DCNN模型在预测乳腺癌复发方面表现有前途.
• 这种人工智能驱动的方法提供了一种非侵入性的方法来识别患有复发高风险的患者.