用实在在的医院环境进行乳房扫描检查来预测乳腺癌

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳房镜分析通常需要图像级的注释,这在现实世界的临床环境中是不切实际的.
• 医院数据通常由病例级诊断组成,而不是详细的图像注释.
• 手动注释是耗时的,并且不会随着患者数据的增加而扩展.

研究的目的:

• 开发一个乳腺癌预测框架,在病例层面上运行,消除了手动图像注释的需要.
• 创建一个可训练的模型,随时提供医院病例标签和每位患者可变数量的乳房图像.
• 为了在现实世界的临床环境中能够准确地预测乳腺癌.

主要方法:

• 提出了一种两级多实例学习 (MIL) 方法,集成补丁和图像级分析.
• 引入了一个新的特定领域的MIL聚合策略,以考虑双边乳房镜视图.
• 开发了一个动态的培训程序,以处理每个案例的可变数量的图像.

主要成果:

• 两级MIL模型实现了与在图像标签上训练的模型相似的性能,尽管仅使用弱的案例级标签.
• 证明了框架在实际医院环境中的适用性,每个病例的图像数量可变.
• 该模型可以识别特定的乳房侧面,乳房扫描视图和异常区域.

结论:

• 使用MIL的新型病例级乳腺癌预测框架在真实临床环境中是有效的.
• 提出的方法克服了传统注释依赖模型的局限性.
• 这种方法可以利用现有医院数据进行准确和高效的乳腺癌预测.