使用深度学习和治疗响应评估地图 (TRAMs) 改善乳腺病变分类
Jerry Wang1, Bowen Jing2, Baowei Fei3
1Plano West Senior High School, Plano, TX, USA.
概括
使用治疗响应评估地图 (TRAM) 的新深度学习模型显著提高了乳腺病变分类的准确性. 这种先进的方法提高了诊断特异性,可能减少对患者不必要的侵入性手术.
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:
- 动态对比增强磁共振成像 (DCE-MRI) 对于乳腺病变诊断至关重要,但其特异性较低.
- 在DCE-MRI的低特异性导致不必要的侵入性手术,如活检.
- 治疗响应评估地图 (TRAM) 提供了一种新的方法来描述乳腺损伤中的对比动态.
研究的目的:
- 开发和评估一个深度学习模型,使用TRAM对乳腺病变进行分类.
- 将基于TRAM的模型的诊断性能与标准的DCE-MRI模型进行比较.
- 评估TRAM在改善乳腺损伤诊断的特异性方面的潜力.
主要方法:
- 开发了一个使用3D卷积残余网络 (ResNet18) 的深度学习模型来分析TRAM图像.
- 使用ResNet18提取图像表示,并输入到一个完全连接的分类器来进行病变分类.
- 基于TRAM的模型的性能与在标准的多相DCE-MRI数据上训练的模型进行了基准测试.
主要成果:
- 基于TRAM的深度学习模型在接收器操作特征曲线 (AUROC) 下获得了较高的面积,为0.870,而标准DCE-MRI模型的面积为0.835.
- 该TRAM模型显示出优异的灵敏度 (0.848对比0.818) 和特异性 (0.823对比0.759).
- 这些发现表明,使用基于TRAM的分析,诊断准确度显著提高.
结论:
- 对TRAM的深度学习分析显示,与标准DCE-MRI相比,乳腺病变的诊断性能得到了提高.
- 基于TRAM的模型有望提高乳腺病变诊断的特异性,可能减少不必要的活检.
- 这种方法可以显著帮助诊断乳腺癌和计划治疗的临床决策.
