文献阅读 | 一种基于深度学习的乳腺癌风险预测模型

小燕子

论文

A Deep Learning Mammography-based Model for Improved Breast Cancer Risk Prediction

背景

乳房X线密度提高了乳腺癌风险模型的准确性。然而,乳房密度的使用受到主观评估、放射科医生之间的差异以及有限的数据的限制。一种基于乳房X线摄影的深度学习(DL)模型可以提供更准确的风险预测。

目的

开发一种基于乳房X线摄影的DL乳腺癌风险模型,该模型比建立的临床乳腺癌风险模型更准确。

材料和方法

这项回顾性研究包括在2009年1月1日至2012年12月31日期间对39571名妇女进行的88 994次连续筛查。对于每个病人,所有的检查都被分配到培训、验证或测试集中,分别得到了71 689、8554和8751项检查。癌症的结果是通过与区域肿瘤登记处的联系获得的。利用患者调查表中的危险因素信息和电子病历回顾,建立了乳腺癌风险评估的三种模型:采用传统危险因素的危险因素Logistic回归模型(RF-LR)、单用乳腺X线片的DL模型(只使用图像DL)和混合DL模型(同时使用传统危险因素和乳房X线片)。与已建立的包含乳房密度的乳腺癌风险模型(Tyer-Cuzick模型,版本8[TC])进行了比较。在接收机工作特性曲线(AUCS)下,用DELong试验对模型性能进行了比较。P < .05).

结果

测试组为3937名女性,年龄56.20±10.04岁。杂种DL和图像纯DL的AUCS分别为0.70(95%可信区间[CI]:0.66,0.75)和0.68(95%CI:0.64,0.73)。RF-LR和TC分别为0.67(95%CI:0.62,0.72)和0.62(95%CI:0.57,0.66)。杂种DL的AUC(0.70)显著高于TC(0.62);P < .001) and RF-LR (0.67; P = .01).

结语

与Tyer-Cuzick(第8版)模型相比,使用全场乳房X线摄影的深度学习模型的风险识别能力有了很大的提高。

END
扫码添加小燕子
了解更多科研信息
领取更多免费资源
(0)

相关推荐