纳入全球-本地组织变化来预测未来的乳腺癌从纵向查乳房影像

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌 (BC) 早期通过乳房扫描检测至关重要,但基于人口的查可能对所有女性都不是最佳的.
• 目前用于乳房镜分析的深度学习模型在解释性,时间变化建模和精确的时间到事件预测方面面临挑战.

研究的目的:

• 开发一个可解释的深度学习框架,TA-BreaCR,用于个性化乳腺癌风险预测和发病时间估计.
• 整合多尺度纵向组织变化和模型时间关系,以提高临床效用.

主要方法:

• 提出了追踪感知乳腺癌风险 (TA-BreaCR) 模型,这是一个用于乳房图分析的新框架.
• 集成了局部到全球的多尺度特征,并明确模拟了时间与BC事件的顺序关系.
• 在两个独立的数据集 (内部和EMBED) 上评估模型,用于风险分类和事件预测时间.

主要成果:

• 在乳腺癌风险分类和事件预测时间方面,TA-BreaCR的表现优于现有和最先进的方法.
• 可视化分析表明,随着时间的推移,对高风险地区的关注一直持续,从而改善了模型的解释性.
• 该模型实现了未来BC风险和预计发病时间的联合预测.

结论:

• TA-BreaCR为个性化乳腺癌查和预防策略提供了一个有希望的方法.
• 该模型能够整合时间动态并提供可解释的风险评估,从而提高临床决策能力.
• 这一框架有可能优化乳房扫描查协议并改善患者的治疗结果.