基于注意力的多模式深度学习,用于解释和概括性预测乳腺癌病理完整反应的病理完整反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 对新辅助化疗 (NAC) 的病理完整反应 (pCR) 的准确预测对于乳腺癌治疗管理至关重要.
• 多模式深度学习模型显示出希望,但在解释性和多机构通用性方面面临挑战.

研究的目的:

• 开发和验证一个强大的和可解释的深度学习框架,用于预测经过NAC的乳腺癌患者的pCR.
• 整合治疗前后对比度增强的MRI与非成像临床特征,以提高预测准确度.

主要方法:

• 使用3D卷积神经网络和自我注意力机制开发了一种多式深度学习模型.
• 该模型整合了治疗前和后的全乳腺MRI数据与临床特征.
• 对I-SPY 2试验数据集 (N=660) 进行了内部验证,对I-SPY 1数据集 (N=114) 进行了外部验证.

主要成果:

• 基于注意力的多模式模型实现了内部的AUC为0.73 ± 0.04和外部的0.71 ± 0.02.
• 结合成像和临床数据模型的性能优于仅MRI (内部AUC=0.68,外部AUC=0.70) 和仅临床特征模型 (内部AUC=0.66,外部AUC=0.71).
• 这项研究表明,将两种数据模式结合起来,用于pCR预测,具有更高的疗效.

结论:

• 开发了一个强大的,可解释的深度学习框架,用于在接受NAC的乳腺癌患者中进行pCR预测.
• 基于注意力的成像和临床数据的融合提高了预测性能,并确保了各机构的概括性.