基于图形的多模式网络,用于预测乳腺癌早期淋巴结转移

科学领域:

• 癌症学
• 医学成像
• 机器学习

背景情况:

• 准确的下淋巴结 (ALN) 状态评估对于早期乳腺癌的预后和治疗至关重要.
• 目前基于放射性图像的ALN状态分类方法往往具有较低的诊断准确性.

研究的目的:

• 探索将临床参数与动态对比增强磁共振成像 (DCE-MRI) 结合起来,以改善ALN转移的预测.
• 开发一个多模式模型,提供超越图像特征的补充信息.

主要方法:

• 提出一个基于图形的多模式网络 (GMM-Net),结合DCE-MRI和临床参数.
• 使用临床特征的文本编码器和MRI特征的局部-全球图形神经模块 (LGGNM),捕获跨区域的相关性.
• 采用多模式功能融合 (MMF) 模块来整合来自两个模式的信息.

主要成果:

• 评估了260例乳腺癌病例的数据集与13个临床指标.
• GMM- Net的准确度为0. 8482和AUC为0. 8461.
• 拟议的GMM-Net在预测ALN转移方面表现优于单模方法.

结论:

• 一个新的基于图形的多模式框架 (GMM-Net) 已被开发用于术前ALN状态评估.
• 这项研究证明了GMM-Net在早期乳腺癌中对ALN转移的非侵入性预测的潜力.
• 这种方法通过结合临床和DCE-MRI数据来提高诊断的准确性.