从纵向乳腺癌查史预测短期到长期的乳腺癌风险

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 准确的乳腺癌 (BC) 风险评估对于个性化查和预防至关重要.
• 目前用于BC风险预测的深度学习 (DL) 模型通常使用单次时间点 (STP) 乳房扫描,忽略了时乳腺组织变化.
• 纵向数据分析可以揭示STP方法错过的恶性瘤的微妙指标.

研究的目的:

• 引入多时间点乳腺癌风险模型 (MTP-BCR),一种新的DL方法,用于增强10年BC风险预测.
• 将传统的风险因素与纵向乳房造影数据相结合,以捕捉动态的乳腺组织变化.
• 与现有的风险预测模型相比,评估MTP-BCR的性能和临床实用性.

主要方法:

• 开发了MTP-BCR,一种DL模型,结合了传统的风险因素和顺序性乳房扫描数据.
• 在一个大型的内部数据集 (171,168张来自9133名女性的乳房图) 上训练并评估了MTP-BCR.
• 在外部CSAW-CC数据集上验证了MTP-BCR的性能,并分析了其在不同人群中的有效性.

主要成果:

• 在患者层面上,MTP-BCR实现了卓越的10年BC风险预测性能,AUC为0.80 (95% CI,0.78-0.82).
• 该模型的性能优于基于STP的DL模型和传统的风险评估方法.
• 外部验证证实了MTP-BCR在不同患者群体中的稳定性和优势.

结论:

• MTP-BCR通过利用纵向乳腺扫描数据和DLL,提供了改进的10年乳腺癌风险预测.
• 该模型展示了增强的风险分层能力,并为临床决策提供可解释的热图.
• MTP-BCR代表了个性化乳腺癌查和预防策略的重大进步.