LoGo-MR：通过高效全切片建模进行乳腺癌MRI筛查风险预测
计算机视觉与模式识别
2026-04-14 v1
摘要
高效且可解释的乳腺癌（BC）风险预测对于大规模人群筛查至关重要。乳腺MRI为个性化风险评估提供了功能信息。然而，有效的建模仍然具有挑战性，因为全3D CNN在捕获体积上下文时计算成本高昂，而轻量级2D CNN则无法对切片间连续性进行建模。重要的是，用于短期和长期BC风险分层的乳腺MRI建模仍未得到充分探索。在本研究中，我们提出了LoGo-MR，一个用于五年BC风险预测的2.5D局部-全局结构建模框架。与临床解读一致，我们的框架首先采用邻域切片编码来捕获与短期风险相关的细微局部线索。然后，它集成了Transformer增强的多实例学习（MIL）来建模与长期风险相关的分布式全局模式，并提供可解释的切片重要性。我们进一步将该框架应用于轴向、矢状和冠状平面，作为LoGo3-MR，以捕获互补的体积信息。这种多平面公式能够实现体素级风险显著性映射，这可能有助于放射科医生在乳腺MRI解读中定位风险相关区域。在一个大型乳腺MRI筛查队列（约7500例）上进行评估，我们的方法优于2D/3D基线和现有的SOTA MIL方法，在1至5年预测中实现了0.77-0.69的AUC，并将C指数比3D CNN提高了约6%。LoGo3-MR通过三个平面的可解释定位进一步提高了整体性能，并且在七个骨干网络上的验证显示出一致的增益。这些结果突显了基于MRI的高效BC风险分层在大规模筛查中的临床潜力。代码将公开发布。
引用
@article{arxiv.2604.11348,
title = {LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling},
author = {Xin Wang and Yuan Gao and George Yiasemis and Antonio Portaluri and Zahra Aghdam and Muzhen He and Luyi Han and Yaofei Duan and Chunyao Lu and Xinglong Liang and Tianyu Zhang and Vivien van Veldhuizen and Yue Sun and Tao Tan and Ritse Mann and Jonas Teuwen},
journal= {arXiv preprint arXiv:2604.11348},
year = {2026}
}