解耦基于图像的乳腺癌风险模型中的固有风险与早期癌症征象
图像与视频处理
2020-09-17 v4 计算机视觉与模式识别
机器学习
摘要
准确估计患乳腺癌风险的能力对临床决策极具价值。一种有前景的新方法是集成基于深度神经网络的影像风险模型。然而，使用此类模型时必须谨慎，因为训练数据的选择会影响网络将学会识别的模式。鉴于此，我们使用三种不同标准来选择正类训练数据（即来自将患癌患者的图像）训练网络：在无可见癌症征象的图像上训练的固有风险模型，在包含癌症或早期癌症征象的图像上训练的癌症征象模型，以及在所有癌症诊断患者图像上训练的混淆模型。我们发现这三种模型学习到关注不同模式的独特特征，这转化为性能上的差异。短期风险由癌症征象模型最佳估计，而长期风险由固有风险模型最佳估计。不加区分地使用所有图像训练会将固有风险与早期癌症征象相混淆，并在两种情形下均产生次优估计。因此，混淆模型可能导致医生在早期癌症征象已可见时仍建议预防性措施。
引用
@article{arxiv.2007.05791,
title = {Decoupling Inherent Risk and Early Cancer Signs in Image-based Breast Cancer Risk Models},
author = {Yue Liu and Hossein Azizpour and Fredrik Strand and Kevin Smith},
journal= {arXiv preprint arXiv:2007.05791},
year = {2020}
}
备注
Accepted by MICCAI 2020 (Medical Image Computing and Computer Assisted Intervention)