<dfn id="tlyz1"><wbr id="tlyz1"></wbr></dfn>

      <xmp id="tlyz1"><video id="tlyz1"></video></xmp>

      <u id="tlyz1"><sub id="tlyz1"><input id="tlyz1"></input></sub></u>
    1. <dfn id="tlyz1"></dfn>

    2. <wbr id="tlyz1"></wbr>

      1. 普通外科

        人工智能,讓乳腺癌篩查不再“一刀切”!

        作者:佚名 來源:MedSci梅斯 日期:2021-06-11
        導讀

                 在許多發達國家,乳腺癌篩查項目依舊采用一刀切的檢查方法,并未針對單個級別的癌癥檢測進行優化。在乳腺癌篩查中,MRI與乳腺鉬靶檢查相比有助于提高乳腺癌的早期檢測。然而,MRI篩查的成本更高,因此對患者進行可靠的風險分層來選擇需要接受MRI檢查或其他方式進行篩查至關重要。 在過去的幾十年里,已經建立了一些乳腺癌風險預測模型(如Gail模型和Tyrer-Cuzick模型)。然而這些模型所納入的評估信息

        關鍵字:  乳腺癌 

                在許多發達國家,乳腺癌篩查項目依舊采用“一刀切”的檢查方法,并未針對單個級別的癌癥檢測進行優化。在乳腺癌篩查中,MRI與乳腺鉬靶檢查相比有助于提高乳腺癌的早期檢測。然而,MRI篩查的成本更高,因此對患者進行可靠的風險分層來選擇需要接受MRI檢查或其他方式進行篩查至關重要。

                在過去的幾十年里,已經建立了一些乳腺癌風險預測模型(如Gail模型和Tyrer-Cuzick模型)。然而這些模型所納入的評估信息并不全面,無法獲取圖像中的所有風險相關信息。深度神經網絡的使用是一種可自動提取圖像信息的新方法,可彌補傳統方法的多項不足。

                近日,發表在Radiology雜志的一項研究建立及評估以深度學習為基礎的未來乳腺癌風險評分,并與基于密度的標準化乳腺鉬靶風險預測進行了比較,為臨床進一步優化女性的乳腺癌篩查流程提供了參考依據。

                本項回顧性研究納入了2013-2014年在卡羅林斯卡大學醫院確診為乳腺癌的40-74歲女性和健康對照組參與者。基于2008年至2012年確診的病例進行深度神經網絡建立。計算深度學習(DL)風險評分、密度區域和密度百分比以用于每位患者的最初數字化乳腺鉬靶檢查。Logistic回歸模型擬合確定與繼發乳腺癌的相關性。從DL風險評分、年齡調整的密度區域和百分比中獲得假陰性率。

                共有2283名女性接受了評估,其中278人后來被診斷出患有乳腺癌。在診斷為乳腺癌的女性中,乳腺鉬靶檢查的年齡(平均55.7歲vs 54.6歲;P < .001)、密度(平均38.2 cm2vs 34.2 cm2;P < .001)、密度百分比(平均,25.6% vs 24.0%;(P < .001))比未診斷為乳腺癌的女性高。年齡校正DL風險評分的比值比和受試者工作特征曲線下面積(AUC)高于密度區域和百分比密度,分別為:1.56(95%置信區間[CI]: 1.48, 1.64;AUC, 0.65)、1.31 (95% CI: 1.24,1.38;AUC, 0.60)和1.18(95%CI:1.11,1.25;AUC,0.57)(P < 0.001)。假陰性率較低:31% (95% CI: 29%,34%),36% (95% CI: 33%, 39%;P = .006),39% (95% CI: 37%,42%;P <.001);這種差異在侵襲性較強的癌癥中最為明顯。

                圖 深度學習(DL)風險評分與乳腺癌預后一致的乳腺鉬靶圖像(真實預測)。所有圖像均為左乳中外側斜位圖。(a) 55歲女性,低DL風險評分(0.05),未診斷為乳腺癌(即真陰性預測)。(b) 47歲女性,低DL風險評分(0.06),未診斷為乳腺癌(即真實陰性預測)。(c) 56歲女性,高DL風險評分(0.30),檢查5.1年后被診斷為乳腺癌(即真陽性預測)。(d) 57歲女性,高DL風險評分(0.30),檢查5.0年后被診斷為乳腺癌(即真實陽性預測)。

                表 與未來乳腺癌相關的深度學習風險評分和乳腺鉬靶測量。

                綜上所述,在乳腺鉬靶圖像上訓練的基于深度學習(DL)的風險模型效果優于基于密度的模型。基于密度的預測因子在侵襲性更強的癌癥中診斷效能降低,而基于DL的風險預測因子則未出現降低。本研究提示,基于深度學習的乳腺癌風險預測模型可在乳腺癌篩查中使更多的女性獲益,但在常規應用前需在多中心更大樣本上進行進一步的驗證以確保準確性。

                原文出處:

                Karin Dembrower,Yue Liu,Hossein Azizpour,et al.Comparison of a Deep Learning Risk Score and Standard Mammographic Density Score for Breast Cancer Risk Prediction.DOI:10.1148/radiol.2019190872

        分享:

        評論

        我要跟帖
        發表
        回復 小鴨梨
        發表

        copyright©醫學論壇網 版權所有,未經許可不得復制、轉載或鏡像

        京ICP證120392號  京公網安備110105007198  京ICP備10215607號-1  互聯網藥品信息服務資格證書:(京)-非經營性-2017-0056
        //站內統計 //百度統計 //谷歌統計 //站長統計
        *我要反饋: 姓    名: 郵    箱:
        亚洲 国产 日韩 在线 一区,亚洲 欧美 日韩 一区,在线 亚洲 欧美 专区看片 依依成人精品视频在线观看| 18禁无遮挡免费视频| 亚洲精品无码不卡在线播放| 国产欧美日韩亚洲精品专区| 美女把腿扒开让我添视频| 粉嫩高中生的第一次| 日本加勒比在线一区中文无码| 伊久线香蕉观新综合在线| 亚洲人成自拍网站在线观看| 20岁CHINESE青年男同志| 欧美日韩亚洲中文字幕二区| 色综合久久天天综合| 成熟女人天天要夜夜要| 国产精品视频一区二区| 午夜男女很黄的视频| 毛片免费看|