基于超声波放射学注意力网络的乳腺癌HER2状态变化的预测
Jian Liu1, Xinzheng Xue2, Yuqi Yan3
1Taizhou Key Laboratory of Minimally Invasive Interventional Therapy & Artificial Intelligence, Taizhou Campus of Zhejiang Cancer Hospital (Taizhou Cancer Hospital), Taizhou, 317502, China; School of Information and Control Engineering, China University of Mining and Technology, Xuzhou, 221116, China.
Computer methods and programs in biomedicine
|August 8, 2025
概括
在新辅助化疗后预测人类表皮生长因子受体2 (HER2) 状态的变化对于乳腺癌治疗至关重要. 超声波放射学注意网络 (URAN) 模型使用深度学习和放射学准确预测这些HER2状态变化.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 新辅助化疗 (NAC) 可以改变乳腺癌患者的人体表皮生长因子受体2 (HER2) 状态.
- 在NAC后HER2状态的变化需要及时调整治疗以获得最佳的患者结果.
- 准确预测HER2状态变化对个性化乳腺癌管理具有临床意义.
研究的目的:
- 开发和验证一种深度学习模型,用于预测新辅助化疗后的HER2状态变化.
- 为了研究将放射学特征与深度学习相结合的有效性,用于此预测任务.
主要方法:
- 提出了超声波放射学注意网络 (URAN),这是一个集成放射学的深度学习架构.
- 使用放射学技术提取的超声波图像特征.
- 采用HER2关键特征选择 (HKFS) 网络和最大和平均注意力和刺激 (MAAE) 网络进行特征提炼和聚焦.
- 利用一个完全连接的神经网络,最终预测HER2状态的变化.
主要成果:
- 在现实医院数据集上,URAN实现了高精度 (0.8679) 和AUC (0.8328) 预测HER2状态变化.
- 在公开的BUS_UCLM数据集上,URAN表现出卓越的性能,准确度为0.9283,AUC为0.9161.
- 废弃研究证实了URAN中的放射学,HKFS和MAAE模块的有效性.
- 乌兰在预测低表达或IHC分数为2+或以下的HER2状态的变化方面表现特别强大.
- 波形变换特征被确定为HER2状态变化的显著预测因素.
结论:
- 开发的URAN方法通过整合放射学和深度学习,有效预测HER2状态的变化.
- 与现有的算法相比,URAN显示出优越的预测性能.
- 该模型成功地确定了与HER2状态变化相关的关键放射学特征.
