基于超声波的DenseNet201在预测侵袭性乳腺癌中的HER2状态方面优于乳腺成像报告和数据系统和ResNet50

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 准确的HER2状态预测对于侵入性乳腺癌 (IBC) 治疗决策至关重要.
• 目前用于HER2评估的方法可能是侵入性的和耗时的.
• 开发非侵入性预测工具是一个重要的临床需求.

研究的目的:

• 评估基于超声波的神经网络的性能,以预测IBC患者的HER2状态.
• 为了比较DenseNet201,ResNet50,乳腺成像报告和数据系统 (BI-RADS) 和多层感知子 (MLP) 模型的诊断准确度.
• 评估人工智能在非侵入性确定HER2表达水平方面的潜力.

主要方法:

• 进行了一项涉及268名女性IBC患者和1127个超声波图像的研究.
• 超声波图像被分为培训 (70%) 和内部验证 (30%) 组.
• 使用BI-RADS,MLP,ResNet50和DenseNet201模型预测HER2状态,通过精度和AUC评估性能.

主要成果:

• 丹森网201的AUC值为0.660,超过了BI-RADS (AUC值为0.526) 和ResNet50 (AUC值为0.537) 的AUC值.
• 在区分HER2-低/零表达时,MLP (AUC 0.790) 和DenseNet201 (AUC 0.783) 显示出强的性能.
• 外部验证证实了DenseNet201的强性能,其AUC为0.860.

结论:

• 基于超声波的DenseNet201是一种有前途的工具,用于预测IBC中的HER2状态.
• 这种人工智能模型为 HER2 评估的传统方法提供了一个非侵入性的替代方案.
• 这些发现表明,在乳腺癌诊断中可能有临床应用.