在超声波视频上预测乳腺癌分子亚型的基于3D-ResNet的深度学习:一个多中心研究

科学领域:

• 医学成像和诊断
• 医疗保健中的人工智能
• 癌症学

背景情况:

• 精确的乳腺癌分子分类对于个性化治疗策略至关重要.
• 超声波 (美国) 视频为乳腺癌评估提供了一种非侵入性方法.
• 开发先进的计算模型可以提高诊断能力.

研究的目的:

• 开发和验证一个关系知识蒸三维残余网络 (RKD-R3D) 模型.
• 使用超声波视频预测乳腺癌的分子亚型.
• 根据现有临床应用方法评估模型的性能.

主要方法:

• 一项多中心的回顾性研究包括882名乳腺癌患者 (2375名美国视频).
• 该RKD-R3D模型是为了预测四种圣盖伦分子亚型而开发和验证的.
• 使用AUC,精度和其他指标与RKD- R2D,传统R3D和核心针活检 (CNB) 进行了比较.

主要成果:

• 与RKD- R2D和传统的R3D相比,RKD- R3D在内部和外部测试队列中表现出更高的性能 (AUC: 0.88,0.95).
• 该模型在外部试验队列中表现优于CNB (准确率:0.87比0.79).
• 在预测三阴性乳腺癌 (AUC: 0. 98) 和T1病变 (AUC: 0. 96) 方面,RKD- R3D的准确性很高.

结论:

• 使用超声波视频的RKD-R3D模型是用于非侵入性乳腺癌分子亚型的有希望的工具.
• 这种人工智能驱动的方法可以帮助临床决策和个性化患者管理.
• 进一步验证可能将RKD-R3D确定为标准补充诊断方法.