基于增强域适应的跨厂商乳腺纹理模型用于长期乳腺癌风险稳健评估
计算机视觉与模式识别
2023-01-11 v2 医学物理
摘要
目的：风险分层乳腺癌筛查可在不牺牲质量的前提下改善早期检出与效率。然而，现代基于乳腺X线摄影的风险模型不能确保跨厂商域的适应，且依赖于与短期风险相关的癌前征兆，这可能限制长期风险评估。我们报告一种用于长期风险的跨厂商乳腺纹理模型。方法：该纹理模型使用两个系统设计的病例对照数据集进行稳健训练。通过从训练中排除已确诊/潜在恶性肿瘤样本，学习指示未来乳腺癌的纹理特征。一种基于乳腺X线摄影视图风味化（flavorization）的增强域适应技术确保了跨厂商域的泛化能力。该模型在66,607名连续筛查的丹麦女性（风味化Siemens视图）和25,706名荷兰女性（Hologic处理视图）中进行验证。对筛查后两年内间期癌（IC）和筛查两年后长期癌（LTC）的性能进行评估。将纹理模型与既定风险因素结合以标记风险最高的10%女性。结果：在丹麦女性中，纹理模型对IC和LTC的受试者工作特征曲线下面积（AUC）分别为0.71和0.65。在采用Hologic处理视图的荷兰女性中，其AUC与采用风味化视图的丹麦女性无差异。纹理结合既定风险因素对LTC的AUC提升至0.68。被标记为高危的10%女性占IC的25.5%和LTC的24.8%。结论：该纹理模型在适应未见过的处理后厂商域的同时稳健估计长期乳腺癌风险，并识别出临床相关的高危亚组。
引用
@article{arxiv.2212.13439,
title = {Robust Cross-vendor Mammographic Texture Models Using Augmentation-based Domain Adaptation for Long-term Breast Cancer Risk},
author = {Andreas D. Lauritzen and My Catarina von Euler-Chelpin and Elsebeth Lynge and Ilse Vejborg and Mads Nielsen and Nico Karssemeijer and Martin Lillholm},
journal= {arXiv preprint arXiv:2212.13439},
year = {2023}
}