论文部分内容阅读
【目的】
乳腺癌是女性最常见的恶性肿瘤。Ki-67表达水平是乳腺癌临床病理分型的重要指标，并且是乳腺癌患者非常有价值的预测预后标记物。本研究采用深度学习的方法，基于不同MRI序列图像(包括T2加权图像(T2WI)、扩散加权图像(DWI)和T1加权增强图像(T1+C))构建的数据集，建立乳腺癌患者术前Ki-67表达状态的预测模型。同时，将上述三个序列根据多参数MRI(mp-MRI)的特点，建立了融合的多参数深度学习预测分类模型。最后，我们将基于各个单序列的预测模型与融合多参数的预测模型进行比较，并且评价各个模型术前预测乳腺癌患者Ki-67表达状态的效能。
【材料与方法】
根据纳入和排除标准，回顾性的收集从2014年6月到2018年2月的328例符合条件的乳腺癌患者进行研究，同时收集患者的术前影像资料及临床病理资料。按照检查时间将患者分为训练数据集(n=230例)和测试数据集(n=98例)。分别在每例患者的T2WI、T1+C及DWI图像上使用深度迀移学习网络来提取每个单序列及融合多参数序列的常规多尺度深度学习特征。接着计算每个特征与目标状态之间的相互信息，并筛选出对分类任务贡献最大的特征。然后，利用多层感知机(M L P )神经网络分类器进行预测。最后使用受试者操作特征曲线(ROC)评估基于各个单序列与融合多参数的深度学习分类模型术前预测乳腺癌Ki-67表达状态的效能。
【结果】
对于T2WI，深度学习预测分类模型在训练数据集及测试数据集，预测术前乳腺癌Ki-67表达状态的曲线下面积(A U C )值分别为0.727(95%CI:0.721-0.733)、0.706(95%CI:0.701-0.711)，准确度分别为0.680、0.659；对于DWI，分类模型在训练数据集及测试数据集的AUC值分别为0.674(95 %CI:0.665-0.684)、0.643(95%CI:0.629-0.657)，预测准确度分别为0.698、0.629;对于T1+C，深度学习分类模型在训练数据集及测试数据集的AUC值分别为0.873(95%CI:0.863-0.883)、0.829(95%CI:0.824-0.834),预测准确度在训练集上为0.954，在测试集上为0.770;融合以上三个序列的mp-MRI深度学习分类模型在训练集上AUC值可达0.888(95%CI:0.881-0.895)，在测试集上的AUC值高达0.875(95%CI:0.871-0.880)，同时在训练集及测试集上的预测准确度也可分别达0.971、0.796。
【结论】
基于多参数MRI的深度学习分类模型的预测效能优于基于单序列的预测模型。在临床实践中，依据先进的深度学习方法，从常规扫描序列获得的多参数MR图像中提取并筛选乳腺癌相关的深度学习特征，可以为提升术前乳腺癌患者的Ki-67表达状态的预测效能提供一种无创、方便且经济的方法。
乳腺癌是女性最常见的恶性肿瘤。Ki-67表达水平是乳腺癌临床病理分型的重要指标，并且是乳腺癌患者非常有价值的预测预后标记物。本研究采用深度学习的方法，基于不同MRI序列图像(包括T2加权图像(T2WI)、扩散加权图像(DWI)和T1加权增强图像(T1+C))构建的数据集，建立乳腺癌患者术前Ki-67表达状态的预测模型。同时，将上述三个序列根据多参数MRI(mp-MRI)的特点，建立了融合的多参数深度学习预测分类模型。最后，我们将基于各个单序列的预测模型与融合多参数的预测模型进行比较，并且评价各个模型术前预测乳腺癌患者Ki-67表达状态的效能。
【材料与方法】
根据纳入和排除标准，回顾性的收集从2014年6月到2018年2月的328例符合条件的乳腺癌患者进行研究，同时收集患者的术前影像资料及临床病理资料。按照检查时间将患者分为训练数据集(n=230例)和测试数据集(n=98例)。分别在每例患者的T2WI、T1+C及DWI图像上使用深度迀移学习网络来提取每个单序列及融合多参数序列的常规多尺度深度学习特征。接着计算每个特征与目标状态之间的相互信息，并筛选出对分类任务贡献最大的特征。然后，利用多层感知机(M L P )神经网络分类器进行预测。最后使用受试者操作特征曲线(ROC)评估基于各个单序列与融合多参数的深度学习分类模型术前预测乳腺癌Ki-67表达状态的效能。
【结果】
对于T2WI，深度学习预测分类模型在训练数据集及测试数据集，预测术前乳腺癌Ki-67表达状态的曲线下面积(A U C )值分别为0.727(95%CI:0.721-0.733)、0.706(95%CI:0.701-0.711)，准确度分别为0.680、0.659；对于DWI，分类模型在训练数据集及测试数据集的AUC值分别为0.674(95 %CI:0.665-0.684)、0.643(95%CI:0.629-0.657)，预测准确度分别为0.698、0.629;对于T1+C，深度学习分类模型在训练数据集及测试数据集的AUC值分别为0.873(95%CI:0.863-0.883)、0.829(95%CI:0.824-0.834),预测准确度在训练集上为0.954，在测试集上为0.770;融合以上三个序列的mp-MRI深度学习分类模型在训练集上AUC值可达0.888(95%CI:0.881-0.895)，在测试集上的AUC值高达0.875(95%CI:0.871-0.880)，同时在训练集及测试集上的预测准确度也可分别达0.971、0.796。
【结论】
基于多参数MRI的深度学习分类模型的预测效能优于基于单序列的预测模型。在临床实践中，依据先进的深度学习方法，从常规扫描序列获得的多参数MR图像中提取并筛选乳腺癌相关的深度学习特征，可以为提升术前乳腺癌患者的Ki-67表达状态的预测效能提供一种无创、方便且经济的方法。