深度學習模型根據(jù)乳房密度估計癌癥風險

乳腺癌是影響全世界女性的最常見癌癥。據(jù)美國癌??癥協(xié)會稱，美國約有八分之一的女性在其一生中會患上乳腺癌。雖然不可能完全預防乳腺癌，但各種醫(yī)療組織建議定期篩查以在早期發(fā)現(xiàn)和治療病例。乳房密度定義為乳房內纖維腺體組織的比例，通常用于評估患乳腺癌的風險。雖然有多種方法可用于估計此測量值，但研究表明，放射科醫(yī)生根據(jù)視覺模擬量表進行的主觀評估比任何其他方法都更準確。

由于乳房密度的專家評估在乳腺癌風險評估中起著至關重要的作用，因此非常需要開發(fā)可以自動估計這種風險的圖像分析框架，其準確性與經驗豐富的放射科醫(yī)生相同。為此，由英國曼徹斯特大學的 Susan M. Astley 教授領導的研究人員最近開發(fā)并測試了一種新的基于深度學習的模型，該模型能夠高精度地估計乳房密度。他們的發(fā)現(xiàn)發(fā)表在醫(yī)學影像學雜志上。

“基于深度學習的方法的優(yōu)勢在于它可以從數(shù)據(jù)本身自動提取特征，”Astley 解釋說。“這對乳房密度估計很有吸引力，因為我們不完全理解為什么主觀專家判斷優(yōu)于其他方法。”

通常，由于數(shù)據(jù)集有限，訓練用于醫(yī)學圖像分析的深度學習模型是一項具有挑戰(zhàn)性的任務。然而，研究人員設法找到了解決這個問題的方法：他們沒有從頭開始構建模型，而是使用了兩個獨立的深度學習模型，這些模型最初是在 ImageNet 上訓練的，ImageNet 是一個擁有超過一百萬張圖像的非醫(yī)學成像數(shù)據(jù)集。這種被稱為“遷移學習”的方法使他們能夠用更少的醫(yī)學成像數(shù)據(jù)更有效地訓練模型。

研究人員使用來自 39,357 名女性的近 160,000 張全視野數(shù)字乳房 X 光圖像，這些圖像由專家(放射科醫(yī)師、高級放射技師和乳腺醫(yī)師)在視覺模擬量表上分配了密度值，開發(fā)了一種程序來估算每張乳房 X 光圖像的密度分數(shù).目標是將乳房 X 光圖像作為輸入，并生成密度分數(shù)作為輸出。

該過程涉及對圖像進行預處理以降低訓練過程的計算強度，使用深度學習模型從處理過的圖像中提取特征，將特征映射到一組密度分數(shù)，然后使用集成方法組合這些分數(shù)以產生最終的密度估計。

標簽：