辐射:一种基于多射线学深度学习的乳腺癌风险预测模型,使用连续的乳房造影图像与图像注意力和双边不对称性精细化
Hong Hui Yeoh1, Andrea Liew1, Raphaël Phan2
1Department of Electrical and Robotics Engineering, School of Engineering, Monash University Malaysia, Bandar Sunway 47500, Malaysia.
Physics in medicine and biology
|November 12, 2025
概括
这项研究介绍了RADIFUSION,这是一种使用顺序性乳房造影来改善乳腺癌风险评估的深度学习模型. 该模型实现了高精度,有助于早期检测和患者风险分层.
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:
- 乳腺癌是一个主要的公共卫生问题,需要早期检测才能有效管理患者.
- 序列查性乳房造影提供了有价值的时空数据来预测乳腺癌风险.
- 当前的风险预测模型可以从先进的计算方法中受益.
研究的目的:
- 开发和评估一种新的深度学习架构,RADIFUSION,用于使用顺序性乳房影像进行乳腺癌风险评估.
- 整合放射学特征,注意力机制,以及为增强风险预测提供门策略.
- 为了提高模型微调,利用双边不对称性.
主要方法:
- 提出了一个名为RADIFUSION的深度学习架构.
- 整合了线性图像注意力机制和放射学功能.
- 利用了一种新的封闭机制来结合乳房扫描视图和基于双边不对称的微调.
- 评估了对Cohort of Screen-Aged Women数据集 (8723名患者) 的模型.
主要成果:
- 在一个独立的试验组 (1749名女性) 上,RADIFUSION获得了卓越的性能.
- 接收器运行特征曲线 (AUC) 下的实现面积为0.905 (1年),0.872 (2年) 和0.866 (3年).
- 证明了从顺序性乳房影像和集成深度学习技术中获得时空信息的好处.
结论:
- 辐射显示了改善乳腺癌风险评估准确性的巨大潜力.
- 该模型的性能突显了先进的深度学习组件和顺序数据的价值.
- 辐射可以作为一种有价值的临床工具,用于识别高风险患者.
