LongiMam模型用于基于纵向乳房X线片的乳腺癌风险预测
计算机视觉与模式识别
2025-09-29 v1 机器学习
摘要
风险适应性乳腺癌筛查需要能够利用纵向影像数据的鲁棒模型。当前大多数深度学习模型使用单张或有限数量的既往乳房X线片，且缺乏针对典型临床筛查环境中不平衡结局分布和异质随访的适应性。我们开发了LongiMam，一种集成当前乳房X线片及最多四张既往乳房X线片的端到端深度学习模型。LongiMam结合了卷积神经网络和循环神经网络，以捕获预测乳腺癌的空间和时间模式。该模型使用大规模、基于人群的筛查数据集进行训练和评估，该数据集具有典型临床筛查中常见的病例对对照比例失衡。在各种既往检查数量和组成的情景下，LongiMam始终在包含既往乳房X线片时表现出改进。当前和既往访问的组合优于单次访问模型，而既往访问单独使用效果较差，凸显了结合历史和近期信息的重要性。亚组分析确认了该模型在主要风险组中的有效性，包括密集乳房的女性以及55岁及以上女性。此外，该模型在乳房密度随时间发生变化的女性中表现最佳。这些发现表明，纵向建模可提高乳腺癌预测，支持在筛查项目中使用重复乳房X线片来细化风险分层。LongiMam已作为开源软件公开发布。
引用
@article{arxiv.2509.21383,
title = {The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms},
author = {Manel Rakez and Thomas Louis and Julien Guillaumin and Foucauld Chamming's and Pierre Fillard and Brice Amadeo and Virginie Rondeau},
journal= {arXiv preprint arXiv:2509.21383},
year = {2025}
}