根据乳房密度深度学习模型评估癌症风险

乳房密度是乳腺癌的一个已知危险因素，研究表明，视觉模拟量表比其他方法更能估计乳房密度评估的癌症风险。为了使这种基于视觉评分的方法自动化，研究人员使用预先训练好的深度学习模型，使用放射科医生标记的乳房x线照片准确估计癌症风险。由此产生的模型与人类专家的表现相同，计算成本低，并且可以使用有限的数据集。

　　

   

   

为了估计乳房密度，研究人员使用了两个预先训练好的深度学习模型从乳房x线照片中提取特征，生成特征向量。然后，每个向量使用线性回归或多层感知器产生单独的密度估计。最后，将这些单独的估计结合起来，得出一个乳房密度的单一预测。

来源:Squires等，doi 10.1117/1.JMI.10.2.024502。

乳腺癌是影响全球女性最常见的癌症。根据美国癌症协会的数据，美国每8名女性中就有1人会在一生中患上乳腺癌。虽然不可能完全预防乳腺癌，但各种医疗机构建议定期筛查，在早期发现和治疗病例。乳腺密度，定义为乳腺内纤维腺组织的比例，常被用于评估患乳腺癌的风险。虽然有各种方法可用于估计这一措施，但研究表明，放射科医生基于视觉模拟量表进行的主观评估比任何其他方法都更准确。

由于乳房密度的专家评估在乳腺癌风险评估中发挥着至关重要的作用，因此开发能够自动评估这种风险的图像分析框架，具有与经验丰富的放射科医生相同的准确性，是非常值得的。为此，由英国曼彻斯特大学Susan M. Astley教授领导的研究人员最近开发并测试了一种新的基于深度学习的模型，能够高精度地估计乳房密度。他们的研究结果发表在《医学影像杂志》上。

Astley解释说:“基于深度学习的方法的优势在于，它能够从数据本身自动提取特征。”“这对乳房密度估计很有吸引力，因为我们还不完全理解为什么主观专家判断优于其他方法。”

通常，由于数据集有限，训练用于医学图像分析的深度学习模型是一项具有挑战性的任务。然而，研究人员设法找到了解决这个问题的方法:他们没有从头开始构建模型，而是使用了两个独立的深度学习模型，这些模型最初是在ImageNet上训练的，ImageNet是一个拥有超过100万张图像的非医学成像数据集。这种被称为“迁移学习”的方法允许他们用更少的医学影像数据更有效地训练模型。

研究人员使用了来自39357名女性的近16万张全领域数字乳房x光片图像，这些图像由专家(放射科医生、高级放射医师和乳腺医生)在视觉模拟尺度上分配密度值，研究人员开发了一种程序来估计每张乳房x光片图像的密度分数。其目标是将乳房x线照片作为输入，并将密度评分作为输出。

该过程包括对图像进行预处理，使训练过程的计算强度降低，使用深度学习模型从处理过的图像中提取特征，将特征映射到一组密度分数，然后使用集成方法将分数组合起来，以产生最终的密度估计。

通过这种方法，研究人员开发了高精度的模型来估计乳房密度及其与癌症风险的相关性，同时节省了计算时间和内存。“在不确定的范围内，该模型的表现与人类专家的表现相当，”阿斯特利说。“此外，它可以在小型数据集或大型数据集的子集上进行更快的训练。”

值得注意的是，深度迁移学习框架不仅可以用于在没有放射科医生的情况下估计乳腺癌风险，而且还可以用于训练其他基于乳腺组织密度估计的医学成像模型。反过来，这可以提高癌症风险预测或图像分割等任务的性能。

阅读S. Squires等人的开放获取文章，“使用深度迁移学习方法自动评估乳房x线摄影密度”，J. Med. Imaging 10(2) 024502 (2023)， doi 10.1117/1.JMI.10.2.024502。

---

---

杂志

医学影像杂志

研究课题

人体组织样本

文章标题

深度学习模型根据乳房密度估计癌症风险

文章发表日期

7 - 4月- 2023