利用原发肿瘤活检切片深度学习预测早期乳腺癌腋淋巴结转移
图像与视频处理
2022-06-09 v4 计算机视觉与模式识别
医学物理
摘要
目的：开发并验证一种基于深度学习（DL）的原发肿瘤活检特征，用于临床腋淋巴结（ALN）阴性的早期乳腺癌（EBC）患者术前预测 ALN 转移。方法：2010 年 5 月至 2020 年 8 月共纳入 1058 例经病理确认 ALN 状态的 EBC 患者。基于注意力多示例学习（AMIL）框架构建 DL 空心针活检（DL-CNB）模型，利用从两位病理医生标注的乳腺 CNB 标本数字化全切片图像（WSIs）癌区提取的 DL 特征预测 ALN 状态。通过准确率、灵敏度、特异度、受试者工作特征（ROC）曲线及曲线下面积（AUC）评估模型。结果：以 VGG16_BN 为特征提取器的最佳 DL-CNB 模型在独立测试队列中预测 ALN 转移阳性的 AUC 为 0.816（95% 置信区间（CI）：0.758, 0.865）。此外，融合临床数据的模型（DL-CNB+C）取得最佳准确率 0.831（95%CI：0.775, 0.878），尤其对 50 岁以下患者（AUC：0.918，95%CI：0.825, 0.971）。DL-CNB 模型的可解释性显示，预测 ALN 转移的最显著特征由核特征刻画，包括密度（ = 0.015）、周长（ = 0.009）、圆度（ = 0.010）与方向（ = 0.012）。结论：本研究提供了一种基于 DL 的原发肿瘤 CNB 切片新型生物标志物，用于 EBC 患者术前预测 ALN 转移状态。代码与数据集见 https://github.com/bupt-ai-cz/BALNMP。
引用
@article{arxiv.2112.02222,
title = {Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides},
author = {Feng Xu and Chuang Zhu and Wenqi Tang and Ying Wang and Yu Zhang and Jie Li and Hongchuan Jiang and Zhongyue Shi and Jun Liu and Mulan Jin},
journal= {arXiv preprint arXiv:2112.02222},
year = {2022}
}
备注
Update Table 1 and corresponding descriptions