从CEM来预测乳腺癌激素受体状态的深度学习:一项初步研究
Alessandro Carriero1,2, Marco Albera3,4, Tomasina Meloni2
1Department of Translation Medicine, University of Eastern Piedmont (UPO), Novara, Italy.
European radiology experimental
|December 2, 2025
概括
深度学习模型可以从对比度增强乳房镜像 (CEM) 图像中预测激素受体 (HR) 状态. 这项研究展示了ResNet-18模型.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 激素受体 (HR) 状态对于指导乳腺癌治疗决策至关重要.
- 准确的HR状态预测可以个性化治疗并改善患者的治疗结果.
- 在临床实践中,用于HR状态预测的非侵入性方法非常可取.
研究的目的:
- 调查使用深度学习 (DL) 在对比增强性乳房造影 (CEM) 上进行深度学习 (DL) 的可行性,以进行乳腺癌激素受体 (HR) 状态的非侵入性预测.
- 通过使用CEM数据,解决人力资源地位预测中阶级不平衡的挑战.
- 评估ResNet-18模型在从CEM图像中预测HR状态方面的性能.
主要方法:
- 一项回顾性研究利用了来自105名侵袭性乳腺癌患者的CEM瘤作物.
- 一个ResNet-18模型使用加权交叉损失和Adam优化器进行了微调,并进行了患者级数据分割.
- 模型的选择是基于精度回忆曲线 (AUPRC) 下的验证区域,并使用精度,AUROC,平衡精度和MCC评估性能,使用不平衡意识指标.
主要成果:
- 在独立测试组中,ResNet-18模型实现了91.9%的准确性和0.808的AUROC.
- 不平衡感知度指标,包括平衡精度 (0.700) 和MCC (0.605),尽管存在显著的类不平衡 (约. 85% 的HR阳性病例).
- 为预测使用了0.755的优化值,校准的概率提高了可靠性.
结论:
- 深度学习模型,如ResNet-18,可以有效地从CEM图像中预测HR状态,提供一种潜在的非侵入性方法.
- 该研究强调了在医疗成像任务中处理DL模型中的类不平衡的重要性.
- 在更大,多样化的队列中需要进一步验证,以确定基于CEM的DL用于HR状态预测的临床适用性.
