预测乳腺癌中的分子亚型,使用对乳房图像的深度学习

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的乳腺癌分子亚型对治疗选择至关重要.
• 目前的方法往往涉及诸如活检之类的侵入性手术.
• 开发非侵入性预测工具是一个重要的临床需求.

研究的目的:

• 开发和评估一种深度学习模型,用于使用常规乳腺学术预测乳腺癌分子亚型.
• 评估模型在二进制和多类分类任务中的性能.
• 探索乳房影像作为一种用于亚型预测的非侵入性方法的潜力.

主要方法:

• 对390名侵袭性乳腺癌患者的乳房图进行了回顾性分析.
• 使用了DenseNet121-CBAM深度学习模型,集成了卷积块注意力模块.
• 训练并验证了对二进制和多类子类型分类的模型,评估AUC,精度,灵敏度和特异性的性能.

主要成果:

• 在独立测试组中,获得的AUC为0.759 (光线与非光线),0.658 (HER2状态) 和0.668 (TN与非TN).
• 在区分HER2+/HR- (AUC=0.78) 和三阴性 (AUC=0.72) 亚型方面表现出卓越的性能.
• 注意热图显示周区域是关键的区分特征,提高了模型的解释性.

结论:

• 在DenseNet121-CBAM模型显示显著的希望预测乳腺癌的分子亚型从乳房影像.
• 这种深度学习方法为传统的活检方法提供了一种可行的非侵入性替代方案.
• 进一步验证可以将该工具整合到常规乳腺癌诊断中.