文献速递乳腺技术与安全乳腺X线

筛查乳腺X线摄影中脂肪浸润腋窝淋巴结的自动分类

Automated classification of fat-infiltrated axillary lymph nodes on screening mammograms.
PubMed 文献 · Br J Radiol · 2023-09-26

本研究开发基于深度学习的自动流程,对筛查乳腺X线摄影中的脂肪浸润腋窝淋巴结状态进行分类;内部测试集264幅图像准确率0.97、AU-ROC 1.00,外部测试集70幅图像准确率0.82、AU-ROC 0.87,作者认为该模型可为大规模研究脂肪浸润淋巴结作为肥胖相关疾病影像生物标志物提供实用工具。

要点

  • 脂肪浸润腋窝淋巴结在乳腺X线上表现为淋巴结门扩大、透亮,整体淋巴结增大。
  • 模型在内部测试集264幅图像上准确率0.97(95%CI 0.94-0.99),AU-ROC 1.00(95%CI 1.00-1.00)。
  • 外部测试集70幅图像准确率0.82(95%CI 0.77-0.86),AU-ROC 0.87(95%CI 0.82-0.91)。

核心结论

  • 研究证实了使用深度学习模型对脂肪浸润淋巴结进行分类的可行性。
  • 该模型提供了在乳腺X线上识别脂肪浸润淋巴结的实用工具,可为未来大规模研究评估脂肪浸润淋巴结作为肥胖相关病理的影像生物标志物提供支持。

研究设计与样本

  • 研究为基于深度学习的自动化分类模型开发与评估研究。
  • 内部数据集包括来自一家三级学术医疗机构的886幅筛查乳腺X线摄影MLO视图,采集自8个月期间的回顾性筛查乳腺X线摄影。
  • 以最大可见腋窝淋巴结的纵向长轴大于18 mm且具有脂肪浸润淋巴结形态定义为阳性,小于或等于18 mm定义为阴性,共416例阳性样本和470例阴性样本。
  • 模型采用两阶段训练与微调流程,第一阶段在仅含腋窝区域的图像块上训练并选择最佳CNN架构,第二阶段在加入非腋窝区域过采样阴性块的更大数据集上微调。
  • 外部验证使用CBIS-DDSM数据集中110幅无异常(BI-RADS 1类)且可见腋窝淋巴结的正常乳腺X线摄影,由一名乳腺放射科医生和一名具有4年脂肪浸润淋巴结影像经验的研究生独立标注,最终纳入35例脂肪浸润淋巴结和35例正常腋窝淋巴结构成平衡数据集。

关键影像表现/征象

  • 脂肪浸润淋巴结在乳腺X线上表现为淋巴结门扩大、透亮,导致淋巴结整体增大。
  • 正常腋窝淋巴结在乳腺X线上表现为更小、更致密。
  • 图1示例中两个相邻淋巴结因淋巴结门脂肪膨胀程度不同而表现为中央透亮度和大小形态差异(A:28.4 mm vs B:12.5 mm)。

诊断标准与关键数值

  • 内部数据集中,模型在264幅内部测试乳腺X线摄影上达到准确率0.97(95%CI:0.94-0.99)和AU-ROC 1.00(95%CI:1.00-1.00)。
  • 外部数据集中,模型在70幅外部测试乳腺X线摄影上达到准确率0.82(95%CI:0.77-0.86)和AU-ROC 0.87(95%CI:0.82-0.91)。
  • 外部数据集上模型敏感度为0.92(95%CI:0.87-0.96)。
  • 内部数据集标注以最大可见腋窝淋巴结纵向长轴大于18 mm且具有脂肪浸润形态为阳性,小于或等于18 mm为阴性。
  • 外部数据集因缺乏像素间距信息无法测量淋巴结大小,仅以淋巴结形态(脂肪门扩大相对于周围淋巴结皮质)作为脂肪浸润标注标准。

临床应用与阅片要点

  • 脂肪浸润腋窝淋巴结目前被认为是良性正常变异,在标准临床乳腺X线摄影解读中不需要进一步评估、测量或分析。
  • 模型可能将邻近致密血管误判为淋巴结皮质,或将围绕中央皮下脂肪的小正常淋巴结群误判为单个门脂肪扩大的较大淋巴结。
  • 模型可能因致密肌肉或乳腺组织遮挡而未能定位淋巴结,或在同时存在正常和脂肪浸润淋巴结时仅关注正常淋巴结。
  • 外部数据集中假阳性主要来自将多个正常淋巴结簇或周围血管误判为脂肪浸润淋巴结。

局限性

  • 所有用于模型开发的乳腺X线摄影检查均来自单一医疗中心。
  • 模型基于图像级标签粗略定位淋巴结,在存在多个淋巴结重叠的病例中仍会产生假阳性分类。
  • 外部数据CBIS-DDSM为1997年首次发布的数字化模拟胶片乳腺X线摄影集合,对比分辨率固有低于数字乳腺X线摄影,腋窝淋巴结特征描述更具挑战性。
  • CBIS-DDSM数据不含像素间距信息,无法将淋巴结测量作为脂肪浸润特征,外部数据标注仅依赖淋巴结形态而未考虑淋巴结大小,信息量较少且更易出错。
  • 作者计划在来自外部合作者的更多数据上进一步验证模型,并指出需要在多机构更大数据集上进一步训练和验证以提高泛化性。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Br J Radiol. 2023 Sep 26;96(1151):20220835. doi: 10.1259/bjr.20220835

引言

肥胖是一个普遍的全球健康问题,是心肺代谢疾病、癌症及其他慢性病相关发病率和死亡率增加的重要危险因素。1–3 传统上,体重指数(BMI)>30 kg/m2 被用于评估肥胖相关疾病的风险。然而,越来越多的证据表明,BMI 并不是一个充分的风险指标。4–6 相反,异位脂肪沉积——脂肪在脏器内及周围(如内脏腔、肝脏和肌肉)的堆积——已成为肥胖相关健康风险更准确的预测指标。4,7,8

值得注意的是,近期研究提出腋窝淋巴结(LNs)是新型异位脂肪库,可能与肥胖相关疾病有关。9,10 当脂肪浸润正常淋巴结时,由于脂肪在淋巴结门沉积,淋巴结表现出大小和形态的变异。这种情况被称为淋巴结脂肪浸润,表现为淋巴结门扩大、透亮,使淋巴结整体体积增大(图1a)。11,12 相比之下,正常腋窝淋巴结在乳腺X线摄影上显得较小且密度较高(图1b)。

脂肪浸润的腋窝淋巴结因其潜在临床意义而受到关注。研究发现脂肪浸润的腋窝淋巴结与肥胖之间存在相关性,肥胖女性的淋巴结门宽度增加至18 mm,而正常体重对照组为9 mm。11 此外,在肥胖乳腺癌患者中,存在大于18 mm的脂肪浸润淋巴结与乳腺癌淋巴结转移风险较高相关,且独立于患者年龄、BMI和肿瘤特征。9 另一项近期研究报道,在肥胖女性中,脂肪浸润的腋窝淋巴结与2型糖尿病(T2DM)患病率呈正相关,且独立于年龄和BMI。10 近期一项较小规模的研究报道,肥胖女性在减重手术后脂肪淋巴结体积缩小,同时血清血脂下降,这提出了脂肪淋巴结可能是肥胖人群心肺代谢疾病可改变危险因素的可能性。13 总之,这些研究强调了乳腺X线摄影检测到的脂肪浸润腋窝淋巴结作为肥胖女性晚期乳腺癌状态和心肺代谢疾病的新型影像生物标志物的潜力。

尽管具有临床意义,脂肪浸润淋巴结的临床评估在实践中仍受若干痛点的限制。脂肪浸润的腋窝淋巴结被视为良性正常变异,目前在标准临床乳腺X线影像解读中不需要进一步评估、测量或分析。目前由放射学专家在既往研究中进行的腋窝淋巴结手动测量和分类9,11,14可能耗时、费力且容易出现观察者间不一致。9,11,13 缺乏标准化以及所需的大量人力投入阻碍了乳腺图像上脂肪淋巴结状态的高效评估,特别是对于旨在探索脂肪浸润腋窝淋巴结作为肥胖相关疾病影像生物标志物潜力的大规模研究。

深度学习(DL)模型在解决临床图像分析中的此类痛点方面展现出巨大潜力。具体而言,卷积神经网络(CNN)作为一类深度学习模型,已被用于医学图像分析,并在多种临床任务中表现出卓越的性能。15–17 CNN方法可以绕过繁琐的手动特征提取步骤,通过学习用于图像分类和表征的指示性模式,直接对输入图像进行操作。此外,在海量图像数据集上预训练并已学习通用图像特征提取的CNN模型,随后可进行微调,从而在通常规模小得多的医学图像数据集上达到专家级性能。18,19

本文旨在探讨采用深度学习模型在筛查乳腺X线摄影上进行脂肪浸润淋巴结评估的可行性。我们的目标是开发一个自动化端到端分类器,以简化评估流程,并促进将脂肪浸润淋巴结作为肥胖相关疾病潜在影像生物标志物的大规模研究。这一开创性工作代表了首次尝试应用深度学习技术自动评估筛查乳腺X线摄影上的脂肪浸润淋巴结状态,为该领域的未来研究奠定了基础。

图1. 一名70岁女性的筛查乳腺X线摄影,良性可变淋巴结形态。(a) 右乳全视野MLO位和(b) 右腋窝放大视图显示两个相邻淋巴结,其中心透亮区、大小和形态存在差异(A:28.4 mm vs B:12.5 mm),继发于淋巴结门不同程度的脂肪扩张。我们根据最大可见腋窝淋巴结的最大长轴将状态记录为良性脂肪浸润淋巴结。LN,淋巴结;MLO,内外侧斜位。 查看原图 ↗

方法

模型开发的数据来源

本研究及本项目中使用人类受试者数据已获机构审查委员会(IRB)批准,并豁免知情同意。本研究使用的内部数据集包括886幅可检测到腋窝淋巴结的全视野数字筛查乳腺X线摄影(FFDM)内外侧斜位(MLO)图像,这些图像是通过对一家三级学术医疗中心8个月期间的筛查乳腺X线摄影进行回顾性审查收集的。详细的数据收集过程已在先前研究中描述。10 简言之,对左侧或右侧MLO位上最大可见腋窝淋巴结进行测量和标注,最终评估由两名放射科审查者共识审查达成。9 若图像包含大于18 mm且具有脂肪浸润淋巴结形态的脂肪浸润淋巴结,则标注为阳性样本;若小于或等于18 mm,则标注为阴性样本。该数据集产生416个阳性样本和470个阴性样本。

图像预处理和内部数据集构建

乳腺X线摄影图像以标准医学数字成像和通信(DICOM)格式接收,具有不同的方向和尺寸。通过去除元数据、保留像素值对图像进行去标识化处理,并输入到用Python(v. 3.8)实现的预处理工作流程中。我们应用轮廓查找算法20来识别乳腺边界,并对边界外的所有区域进行掩膜处理。该过程去除了乳腺区域外的所有文本标记和噪声,确保为实验提供更干净的图像。通过对乳腺X线摄影图像的视觉检查,我们发现乳腺X线摄影图像腋窝区域1500 × 1500像素的区域足以覆盖所有腋窝淋巴结。因此,从每张图像的腋窝区域提取1500 × 1500像素的图像块,用于构建模型开发的初始数据集。

非腋窝图像块的过采样

乳腺X线摄影图像的腋窝区域包含与腋窝淋巴结成像特征无关的放射密度影。这些密度影包括但不限于乳腺组织、血管、肌肉、皮肤褶皱、纤维腺体组织以及乳腺X线摄影图像非腋窝部分同样存在的放射密度影。为帮助模型更好地区分淋巴结与非淋巴结放射密度影,我们从乳腺非腋窝区域采样图像块并将其用作额外的阴性样本。我们采用滑动窗口方法在腋窝区域外采样额外的1500 × 1500像素图像,步长为750像素,如图2所示。这些额外的非腋窝图像块被合并到初始数据集的阴性样本中。

最后,我们将数据集随机分为70%的训练集、10%用于超参数调优的开发集和20%的测试集。表1显示了初始数据集训练集、开发集和测试集的类别分布,以及包含非腋窝图像块的过采样较大数据集。

图2. 自动化图像处理与数据集构建。从MLO视图的外上角提取一个图像块,在模型训练和超参数调优阶段用作腋窝图像块。在模型微调阶段,通过滑动窗口方法从非腋窝区域提取额外图像块并添加到阴性样本中。MLO,内外侧斜位。 查看原图 ↗
表1. 训练集、开发集和测试集中乳腺X线摄影图像的分布 查看原表 ↗

模型训练

模型训练分两个阶段进行,即模型训练与选择阶段,随后是模型微调阶段。在第一阶段,多种CNN模型在仅含腋窝图像块的较小数据集上进行训练,以选择性能最佳的模型架构和超参数设置。我们试验了多种成熟的CNN架构,包括VGG16、21 ResNet18 22 和DenseNet121,23 其初始权重在ImageNet数据集上预训练。24 二值输出全连接层采用Kaiming权重初始化。25 超参数包括批大小(8或16)和初始学习率(、、或),通过网格搜索进行选择以优化交叉熵损失。在开发集上损失最低的模型被选入微调阶段。在第二阶段,从前一阶段选出的预训练模型在更大的训练数据集上进一步微调,该数据集包含过采样的阴性图像块,并使用第一阶段选出的最佳超参数。在两个阶段中,模型参数均使用ADAM优化器26进行优化,整个训练过程中每15个epoch学习率按0.5进行阶梯式衰减。当开发集损失连续30个epoch未见改善时,训练结束。

训练前,灰度图像块被调整为224 × 224像素,并通过重复三次转换为3通道图像,以适配在RGB图像上运行的预训练模型。图像被标准化为均值为零、标准差为一。为扩大训练数据规模并提高模型的泛化能力,我们对训练数据使用了数据增强,包括随机90度旋转、随机水平和垂直翻转、锐化、添加噪声以及对比度变化。数据预处理和增强实施的详细信息见补充材料1。模型训练过程在显存为12 GB的NVIDIA Titan Xp图形处理单元(GPU)上进行,并使用PyTorch框架实现。27

点击此处获取附加数据文件。

内部模型评估与可视化

我们通过计算准确率、敏感度、特异度、精确率、敏感度、F1分数和受试者工作特征曲线下面积(AU-ROC)来评估最终模型在测试集上的性能。置信区间通过10,000次bootstrap重采样计算。为解决我们深度学习(DL)模型的可解释性问题,我们使用梯度加权类激活映射(Grad-CAM)生成了模型结果在图像上的可视化。28 所得热图根据各区域对模型预测结果的影响,突出了图像中最具指示性的区域。

外部验证

为了评估我们模型的泛化能力,我们在数字乳腺摄影筛查数据库精选乳腺影像子集(CBIS-DDSM)的图像上对其进行了评估。该数据集包含DICOM格式的扫描胶片乳腺摄影研究。从该数据集中,抽样了110例无任何异常的正常乳腺摄影(乳腺影像报告和数据系统(BI-RADS)1类)且腋窝淋巴结(LN)可见的病例,作为本研究的外部测试集。一位乳腺放射科医师和一名在脂肪浸润淋巴结影像学方面有4年经验的研究生独立审阅了这些病例,并将其标记为脂肪浸润或正常。由于该数据集丢失了像素间距信息,无法直接从乳腺摄影图像中测量淋巴结的大小。因此,如果淋巴结显示出脂肪浸润淋巴结的形态,即相对于周围淋巴结皮质,脂肪门扩大,如前所述,则将其标记为脂肪浸润。对于存在分歧的病例进行了进一步讨论,最终分类由两位阅片者达成共识确定。由于多个重叠淋巴结导致可见度低的病例被从此外部测试集中移除。审阅产生了35例脂肪浸润淋巴结病例和35例正常腋窝淋巴结病例,以构建一个平衡的数据集。我们在标记的外部数据上评估了我们的模型,并用Grad-CAM可视化了模型的决策。

结果

模型在内部数据集上的性能

在训练的第1阶段,ResNet18模型优于其他两种架构,测试准确率为0.94,264个测试样本中有15个错误预测(表2a)。因此,选择ResNet18模型进行进一步微调。通过在来自非腋窝区域的过采样阴性图像块上微调模型,模型性能得到改善,腋窝图像块的测试准确率为0.97。基于我们在开发集上的参数调优,每个模型的最终超参数如补充表1所示,第1阶段模型性能的比较包含在补充图1中。Grad-CAM热图(图3)突出显示的模型结果可视化表明,模型在决策中考虑了脂肪浸润和正常淋巴结的贡献特征。此外,当乳腺摄影图像上同时存在脂肪浸润和正常淋巴结时,模型通过仅关注脂肪浸润淋巴结的区域,正确地将病例分类为脂肪浸润(图3b)。

值得注意的是,尽管第一阶段训练中表现最佳的模型在腋窝图像块上取得了令人满意的分类性能,但该模型容易因将与脂肪浸润淋巴结无关的特征错误分类而做出错误预测。通过对模型错误的视觉检查和分析,我们发现假阳性是由于将邻近的致密血管误判为淋巴结皮质,或将聚集在中央皮下脂肪周围的小的正常淋巴结误判为单个较大的伴有门部脂肪扩张的淋巴结。假阴性分类是由于模型因致密肌肉或乳腺组织而未能定位淋巴结,或当正常与脂肪浸润淋巴结混合存在时模型仅关注正常淋巴结。误差的可视化示例见补充图2。第一阶段Resnet18模型的误差在应用于过采样测试集时更为突出(表2b)。该模型因将乳腺组织和血管误分类为脂肪浸润淋巴结而产生了更多假阳性分类。在用过采样阴性图像块对模型进行微调后,误差显著减少(表2b),AU-ROC提高至1.00(图4)。

表2. 表现最佳模型在内部测试集上的评估指标汇总(含95%置信区间) 查看原表 ↗
图3. Grad-CAM可视化示例。红色突出显示对模型结果影响较大的区域,蓝色表示模型认为对预测不重要的区域。原始灰度图像显示在侧边以供参考。 查看原图 ↗
图4. 第二阶段模型AU-ROC及模型预测改善示例。(a) 第二阶段模型的AU-ROC提高至1.00。(b) 两个病例展示了最终模型性能的改善。在病例1中,最终模型正确定位了腋窝区域,而第一阶段模型未能做到。在病例2中,最终模型更准确地突出了整个脂肪浸润淋巴结,而第一阶段模型仅突出了淋巴结的一部分。AUROC,受试者工作特征曲线下面积 查看原图 ↗

模型在外部验证中的性能

在外部数据集上,两位审阅者独立标签之间的Pearson相关系数为0.61(p值0.001)。使用外部数据的共识标签,我们的模型达到了0.82的准确率(95% CI:0.77–0.86)和0.87的AU-ROC(95% CI:0.82–0.91)(表3),模型在外部数据上的性能可视化见图5。总体而言,模型识别了大多数脂肪浸润淋巴结病例(敏感度:0.92,95% CI:0.87–0.96)。假阴性源于因低对比度而未能从背景肌肉中识别出脂肪浸润淋巴结(图5c)。模型在外部数据集上产生的假阳性多于内部数据集。假阳性主要由于将多个正常淋巴结簇或周围血管误分类为脂肪浸润淋巴结(图5d–f)。

表3. 模型在外部数据集上的性能 查看原表 ↗
图5. 外部DDSM数据集上模型性能与误差分析的可视化。(a) 模型分类的混淆矩阵。(b) 模型预测的ROC曲线。(c) 一例假阴性分类,原因是由于与背景对比度低且仅关注正常淋巴结,将脂肪浸润的淋巴结(箭头所指)误识别。(d) 一例假阳性病例,可能与覆盖其上的胸肌以及一个中心透亮的小淋巴结(箭头所指)有关。被突出显示的淋巴结中心透亮,相对于周围正常淋巴结大小正常。(e) 一例假阳性病例,原因是将多个之间存在间隙的正常淋巴结误分类为脂肪浸润(箭头所指)。(f) 将血管(箭头所指)误分类为脂肪浸润淋巴结。DDSM,乳腺筛查数字数据库;LN,淋巴结;ROC,受试者工作特征曲线。 查看原图 ↗

讨论

新出现的证据表明,脂肪浸润的腋窝淋巴结(LN)与肥胖相关病理风险增加有关。9,10,13因此,需要大规模研究来确认腋窝脂肪淋巴结作为肥胖相关疾病的潜在影像生物标志物。在本研究中,我们开发了一种基于深度学习(DL)的自动化端到端流程,从图像预处理到脂肪浸润腋窝LN状态的分类,均基于数字筛查乳腺X线摄影,无需对LN进行手动标注。我们的模型在独立的内部测试数据集上对LN状态进行分类,达到了0.97的准确率和1.00的AUROC。模型在外部数据集上的准确率和AU-ROC分别为0.82和0.87。该模型成功地从乳腺X线摄影中提取了有意义的LN相关特征,并能够将LN特征与具有相似放射密度的其他影像特征区分开来,包括乳腺组织、胸肌、皮肤皱褶和血管。该模型受益于在包含这些相似特征区域的过采样训练图像块上进行微调。因此,这种自动化方法可以在极少人工干预的情况下批量对数字乳腺X线摄影中脂肪浸润LN的状态进行分类,并为进一步研究脂肪浸润LN及其与肥胖相关疾病的关联提供急需的工具。

筛查乳腺X线摄影被广泛用作乳腺癌早期检测的主要工具,在美国符合年龄条件的女性中具有很高的使用率。29数字影像研究包含与研究指征无关的信息,但可用于患者风险分层和预测未来不良健康事件。考虑这些偶然发现的影像特征被称为机会性成像。近期研究表明,机会性成像的附加价值可以改善疾病筛查并有益于患者护理。30例如,研究报道筛查乳腺X线摄影检测到的乳腺动脉钙化(BAC)可能是冠状动脉疾病的风险标志物。31–33因此,许多计算方法已被开发用于从筛查乳腺X线摄影中自动检测BAC。34,35我们需要我们的脂肪浸润LN自动分类方法来开展进一步研究,并确定脂肪淋巴结是否可能类似地为乳腺X线摄影筛查增加额外价值,作为肥胖相关疾病的风险标志物。

迄今为止,仅有少数小规模研究探讨了筛查性乳腺X线摄影中可视化的脂肪浸润淋巴结(LN)。未来研究仍需一种快速且可推广的工具来评估脂肪浸润腋窝淋巴结的状态。据我们所知,我们的研究是首个使用自动化深度学习(DL)方法分析脂肪浸润腋窝淋巴结的研究。在既往研究中,由多名放射科医师手动评估人工提取的特征,包括增大的门区脂肪形态、门区和皮质尺寸以及淋巴结整体大小。9,11,14 脂肪浸润淋巴结的测量和评估在任何现有数据集中都不易获得,且批量收集资源密集且耗时。我们的端到端深度学习方法具有以下优势:可直接从乳腺X线摄影图像中自动学习和提取与脂肪浸润淋巴结相关的影像组学特征表示,并在新图像上提供一致且准确的结果。我们的模型绕过了手动特征工程步骤,且所需预处理步骤极少,从而显著减少了个人偏倚以及测量和评估图像上淋巴结状态所需的时间。我们的模型在几乎所有病例中均成功捕获了与腋窝淋巴结相关的特征(经Grad-CAM可视化验证),并在我们的测试集上生成了正确的分类。

我们的模型在外部CBIS-DDSM数据集子集上高达0.92的灵敏度证实了该模型在对来自未见数据分布的乳腺X线摄影中的脂肪浸润淋巴结进行分类方面的实用性。与内部数据集相比,外部数据上模型整体性能下降可能有几种解释。DDSM是1997年首次发布的数字化模拟胶片-屏幕乳腺X线摄影图像的集合。由于胶片-屏幕乳腺X线摄影相比数字乳腺X线摄影固有的低对比度分辨率,腋窝淋巴结在外部数据集上更难以表征。36 其次,CBIS-DDSM数据不包含像素间距信息,因此无法将淋巴结测量作为脂肪浸润淋巴结的特征。外部数据集的标注依赖于淋巴结形态而未考虑淋巴结大小,因此与内部数据集相比信息量更少且更容易出错。然而,我们的模型在仅使用形态学标准的情况下,在外部数据集的共识标签上表现良好,能够将腋窝淋巴结表征为脂肪性。尽管如此,CBIS-DDSM目前是唯一拥有足够数量数字化全视野乳腺X线摄影图像用于外部验证的公开数据集。当更多数字乳腺X线摄影数据集公开可用时,应对我们的模型重新进行评估。

本研究的结果必须在考虑若干局限性的前提下加以解读。第一,用于模型开发的所有乳腺X线摄影检查均来自单一医疗中心。我们采用固定大小腋窝裁剪区域的流程在统一的图像数据集中能够很好地捕获腋窝淋巴结;然而,由于扫描流程和设备存在差异,相同的设置可能不适用于从其他机构获取的乳腺X线摄影图像。在多个机构更大的数据集上对模型进行进一步训练和验证将提高我们方法的泛化能力。因此,我们计划在来自外部合作者的额外数据上进一步验证我们的模型。第二,我们的模型基于图像级标签对淋巴结进行了粗略定位,并且在多个正常淋巴结重叠并围绕皮下脂肪形成簇集的病例中仍产生了假阳性分类。如果能够获得详细的像素级标注,模型可能受益于分割方法,如U-Net,37来识别单个淋巴结。最后,我们的模型设计用于将淋巴结的二分类状态分为正常与脂肪浸润,两类之间的尺寸截断值是基于本领域的证据和既往研究结果选择的。9在未来的工作中,我们计划扩展模型以对脂肪浸润淋巴结提供更细粒度的分类,包括门部脂肪扩展的程度和脂肪扩展淋巴结的数量。我们还计划扩展研究以检验脂肪浸润淋巴结相关特征与乳腺癌结局之间的潜在关联,并评估该模型作为肥胖及其他肥胖相关疾病潜在风险分层工具的可行性。总之,我们的研究证明了所开发的深度学习(DL)模型在对乳腺X线摄影可视化的腋窝淋巴结进行分类方面具有良好的性能。该模型在内部和外部测试集上均取得了高性能。该方法可为进一步研究脂肪浸润腋窝淋巴结在肥胖相关死亡中的作用提供可能。

引用

  1. Song Q, diFlorio-Alexander RM, Sieberg RT, et al. Automated classification of fat-infiltrated axillary lymph nodes on screening mammograms. Br J Radiol. 2023. PMID: 37751215. doi:10.1259/bjr.20220835
  2. 全文:PMC10607412(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10607412/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。