深度学习驱动的多参数超声波用于分类转移性与反应性状淋巴结

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:

• 准确地分类下淋巴结 (ALN) 对于乳腺癌的分期和治疗决策至关重要.
• 目前对ALN转移的诊断方法存在局限性,需要改进成像技术.
• 深度学习有可能提高ALN转移检测的准确性.

研究的目的:

• 开发和验证基于多参数超声波成像的深度学习方法,用于分类乳腺癌患者的转移性与非转移性ALN.
• 集成传统的超声波B模式,剪切波弹性学和彩色多普勒成像,以提高分类.
• 为了评估ALN分类的新型深度学习网络的性能.

主要方法:

• 采用了使用预训练的MobileNetv2网络和自定义浅头的转移学习方法.
• 该网络包含卷积神经网络,混合聚合,加权总和混合聚合以及挤压和激发注意力机制.
• 该方法在174名乳腺癌患者的数据上进行了训练和验证,使用了五倍交叉验证.

主要成果:

• 拟议的多参数深度学习方法实现了0.91的平均分类精度和0.92.9的交叉验证AUC (cvAUC).
• 该模型表现出高灵敏度 (0.93) 和特异性 (0.91),优于现有的最先进的深度学习模型来对ALN进行分类.
• 废弃性研究证实了模型的稳定性,多参数成像显著改善了性能,与单参数数据相比,减少了置信区间宽度.

结论:

• 多参数超声成像与深度学习的整合显著提高了转移性和非转移性ALN的分类.
• 开发的方法为改善乳腺癌诊断和患者管理提供了强大而可靠的工具.
• 这种方法有望在乳腺癌护理中实现更准确的分期和个性化治疗策略.