双注意力ResNet在HER2预测中优于变换器
定量方法
2025-10-17 v1 人工智能
摘要
乳腺癌是女性最常见的癌症，HER2状态至关决定治疗方案。来自动态对比增强MRI（DCE-MRI）的非侵入性HER2状态预测可优化诊疗流程，减少活检依赖。然而，将高动态范围DCE-MRI预处理为标准8位RGB格式供预训练神经网络使用颇具挑战，规范化策略对模型性能影响显著。我们对比评估了不同强度归一化策略，采用三头双注意力ResNet处理来自三个DCE阶段的RGB融合时序序列。模型在I-SPY试验多中心队列（n=1,149）上训练，并在BreastDCEDL_AMBL（n=43个病灶）上外部验证，结果显示其优于基于变换器的架构，实现I-SPY测试数据的0.75准确率和0.74 AUC。N4偏场校正略有性能下降。无需微调时，外部验证得到0.66 AUC，表明跨机构的泛化能力。这些发现凸显了双注意力机制在捕获HER2分层可迁移时空特征方面的有效性，推动了乳腺癌影像中可复现的深度学习生物标志物研发。
引用
@article{arxiv.2510.13897,
title = {Dual-attention ResNet outperforms transformers in HER2 prediction on DCE-MRI},
author = {Naomi Fridman and Anat Goldstein},
journal= {arXiv preprint arXiv:2510.13897},
year = {2025}
}