文献速递乳腺技术与安全US

基于三维全乳超声的多任务深度学习可解释性乳腺癌分子表达预测

Explainable breast cancer molecular expression prediction using multi-task deep-learning based on 3D whole breast ultrasound.
PubMed 文献 · Insights Imaging · 2024-09-19

研究纳入388例乳腺癌患者的三维全乳超声图像,构建单任务与多任务深度学习模型预测ER、PR、HER2表达。测试集中多任务模型总体宏AUC为0.733,高于单任务模型的0.708,且Grad-CAM++显示多任务模型更聚焦病灶区域,可解释性更佳。

要点

  • 多任务模型在测试集总体宏AUC为0.733,单任务模型为0.708。
  • ER预测单任务模型测试集AUC为0.809,多任务模型为0.735。
  • PR预测多任务模型测试集AUC为0.767,单任务模型为0.688。

核心结论

  • 两种基于3DWBUS的模型对乳腺癌生物标志物表达预测均表现良好,测试集宏AUC均大于0.7,多任务模型整体表现更优且可解释性更好。

研究设计与样本

  • 单中心研究,纳入2020年10月至2021年9月在西京医院连续接受3DWBUS检查的388例经活检证实乳腺癌患者,排除图像质量差3例、病理报告不完整1例、同一图像多发肿瘤20例。
  • 采用Invenia 3DWBUS 2.0(GE Healthcare)采集图像,按患者随机分为训练集240例(62%)、验证集60例(15%)、测试集88例(23%)。
  • 构建单任务模型(仅预测生物标志物)与多任务模型(肿瘤分割联合生物标志物预测),以免疫组化及银增强原位杂交结果为参考标准。
  • 使用Grad-CAM++可视化模型关注区域,并用t-SNE对提取特征进行降维可视化。
  • 采用DeLong检验比较模型性能,P值小于0.05为差异有统计学意义。

关键影像表现/征象

  • Grad-CAM++热图显示多任务模型在测试集特定样本中对病灶区域关注增加,单任务模型则提取了部分冗余特征。
  • t-SNE分析显示多任务模型提取的特征对PR和HER2阳性与阴性样本的区分能力优于单任务模型,而单任务模型对ER预测的区分能力更优。

诊断标准与关键数值

  • 测试集ER预测:单任务模型AUC为0.809,多任务模型AUC为0.735,DeLong检验P=0.295。
  • 测试集PR预测:多任务模型AUC为0.767,单任务模型AUC为0.688,DeLong检验P=0.248。
  • 测试集HER2预测:多任务模型AUC为0.697,单任务模型AUC为0.626,DeLong检验P=0.394。
  • 测试集总体评估:多任务模型宏AUC为0.733、宏ACC为0.588、宏精确率为0.804、宏召回率为0.694、宏F1为0.738;单任务模型相应为0.708、0.535、0.792、0.634、0.693。
  • 验证集总体评估:多任务模型宏AUC为0.734、宏ACC为0.539、宏精确率为0.798、宏召回率为0.643、宏F1为0.697;单任务模型相应为0.691、0.529、0.759、0.629、0.683。

临床应用与阅片要点

  • 作者认为多任务深度学习模型对乳腺癌生物标志物具有有效预测能力,可提供直接的生物标志物识别并改善临床可解释性,可能提升靶向药物筛选效率。
  • 原文未据此给出具体的阅片流程或报告建议。

局限性

  • 原文未报告局限性。
全文中译15 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:Insights Imaging. 2024 Sep 19;15:227. doi: 10.1186/s13244-024-01810-9

引言

乳腺癌是女性中常见的癌症形式,并导致大量癌症相关死亡[1]。乳腺癌可根据以下肿瘤生物标志物的表达进行分类:雌激素受体(ER)、孕激素受体(PR)和人表皮生长因子受体2(HER2)[2]。这些生物标志物在临床决策中至关重要,因为它们有助于预测对特定治疗的反应并提供有价值的预后信息[3]。

近年来,医学图像分析,如病变检测、诊断和疾病监测,通过使用基于深度学习的人工智能(AI)技术取得了显著进展[4–6]。多项研究表明,AI技术可以从苏木精-伊红染色的乳腺癌病理图像中识别乳腺癌生物标志物和分子亚型[3, 7]。然而,无创成像比组织病理学检查是更有利于患者的选择。一些研究利用深度学习基于多模态超声(US)成像来确定生物标志物[8, 9]。利用基于超声的评估来识别分子亚型可以显著提高乳腺癌诊断的准确性。这种方法提供了对疾病异质性的更深入洞察,同时最大限度地减少患者的不适。此类无创技术对于理解乳腺癌的复杂性而不增加不必要的患者负担至关重要。尽管前景广阔,但这些研究存在各种不足。多模态超声成像难以标准化,因为它严重依赖操作者的专业知识[10]。对此,一些研究人员探索使用乳腺磁共振成像(MRI)作为超声的替代方案。然而,乳腺MRI在癌症初诊时往往不可用,且其使用在不同国家并非对所有乳腺癌患者普遍标准化[11]。虽然MRI有许多优点,但其缺点也限制了其广泛采用,尤其是在资源有限的地区。此外,虽然一些研究[3, 8]声称其方法具有“可解释性”,但其AI模型缺乏明确的约束,而是直接提供最终预测。这种约束的缺乏使得其结果在大多数情况下无法解释[3]。

为解决这些不足,一种三维全乳腺超声系统(3DWBUS)被推荐使用。3DWBUS将自动化和三维扫描技术集成到一个系统中,体现了高效性、可重复性和全面的肿瘤分析[12, 13]。此外,3DWBUS已被证明可提高致密乳腺组织女性的乳腺癌早期检出率[14]。剩下的挑战是创建更具可解释性的AI技术。多任务学习神经网络已被证明在肿瘤分割约束下表现良好[15],提高了“黑箱”深度学习模型的透明度[16]。

本研究评估了单任务和多任务学习方法在使用3DWBUS预测三种临床相关乳腺癌生物标志物方面的有效性。我们假设在现有方法中加入分割任务可以提高预测生物标志物表达的准确性。这种增强还可以通过先进的模型可视化解释技术(如Grad-CAM + + [17])提高可解释性。

材料与方法

研究人群

本研究纳入2020年10月至2021年9月在西京医院因常规临床诊疗需要而连续接受3DWBUS检查的患者。所有患者均符合以下纳入标准:(a)经活检证实为乳腺癌;(b)在活检前接受了3DWBUS图像检查,因此这些图像上没有活检瘢痕。排除标准如下:(a)3DWBUS图像质量差(n = 3);(b)病理报告不完整(n = 1);(c)一张3DWBUS图像上存在多个肿瘤(n = 20)。图1显示了患者招募流程图。

在本研究中,我们未记录乳腺密度,所有病例均为肿块型病变病例和浸润性导管癌病例。

图1 患者招募流程图 查看原图 ↗

3DWBUS图像采集

本研究使用的所有3DWBUS图像均采用Invenia 3DWBUS 2.0(GE Healthcare)采集。采集参数见表1。

表1 临床采集的3DWBUS的采集参数 查看原表 ↗

模型构建

肿瘤标注与图像预处理

一名放射科医师使用开源医学影像软件(3D Slicer [18, 19],版本5.0.3;https://www.slicer.org/)在每个切面上手动勾画肿瘤。随后,一名经验丰富的放射科医师手动审查并校正分割感兴趣体积的边界。重要的是,两名放射科医师在分析时均对任何临床和病理信息设盲。考虑到3DWBUS扫描的多视角扫描特点,放射科医师仅审查了显示病灶最清晰的那个体积。

数据预处理包括裁剪、调整大小、强度截断和归一化。预处理后,每张图像被调整为128 × 128 × 128并归一化至0–1。数据预处理的详细信息见补充材料中的“数据预处理”部分。

单任务模型架构’

单任务设置中采用改进的3D ResNet模型[20]分析3DWBUS数据。该模型的架构见图2(上方面板)。3DWBUS图像首先经过若干层,包括卷积层、批归一化层和修正线性单元激活层,随后是最大池化层。然后,对图像应用四个模块,每个模块包含一个3D卷积块和多个3D恒等块。最后,平均池化层将特征图转换为特征向量。带有sigmoid激活的全连接层生成预测概率。

图2 神经网络架构(Conv,卷积层;BN,批归一化层;FC,全连接层) 查看原图 ↗

多任务模型架构

模型架构见图2(下方面板)。受Zhou等[21]的启发,我们在多任务模型中采用了与单任务模型相同的ResNet架构,并额外增加一个最大池化操作用于特征提取和分类。随后,由卷积块和上采样块组成的分割分支尝试恢复分割结果。上采样块纳入了与编码阶段对应特征图的跳跃连接,以捕获更多上下文信息。

在多任务框架中,将3DWBUS体积输入网络,生成3D分割概率图和分类得分。在训练过程中,该输入体积通过与来自前一次迭代的分割概率图进行逐元素相加来增强。这种调制技术旨在锐化网络对肿瘤区域的关注,从而提高分类性能和解释能力。

模型训练与实现

训练集用于开发模型,验证集用于选择超参数,测试集用于评估模型。单任务和多任务学习模型训练250个epoch,批大小为8,使用自适应矩估计优化器,学习率为10e–4。我们使用交叉熵损失用于分类任务,使用dice损失用于分割任务来训练模型。为解决潜在的过拟合问题,我们采用了数据增强技术,包括随机旋转、翻转和平移。

模型可视化

我们利用Grad-CAM + +来研究神经网络如何识别相关的肿瘤信息,以及分割任务约束是否增强了其可解释性。遵循原始Grad-CAM + +设置,我们从最终卷积层选择了深层特征图。该层封装了网络最抽象和信息最丰富的特征,在高层次语义和空间细节之间提供了平衡,使我们能够分析单任务和多任务模型的关注点。随后,我们利用Grad-CAM + +计算预测结果与特征图之间的梯度。该过程生成了类别特定的热图,突出显示影响网络预测的图像区域,提供视觉注意力可视化。热图使用turbo配色方案进行颜色编码,蓝色或红色表示较高的预测值,紫色表示较低的预测值。分析这些热图提供了对神经网络关于相关肿瘤信息的决策过程的见解,其中较高的预测值表明对其决策的贡献更大。

此外,采用t分布随机邻域嵌入(t-SNE)算法[22]将多任务和单任务模型提取的2048维特征在测试集中降至三维。随后,这些降维特征在三维空间中进行可视化,以说明ER/PR/HER2阳性或阴性表达样本之间特征分布的差异。为了透明性和促进可重复性,我们固定了t-SNE的相关参数如下:困惑度设为30,学习率为80,迭代次数为1000,初始方法选择为‘PCA’,最小梯度范数(min_grad_norm)为1e-7。

统计分析

我们使用R(版本4.0.4;http://www.r-project.org/)和MedCalc(版本15.8;http://www.medcalc.org/)进行统计分析。

为了探究我们研究中的样本量是否足以检测到与0.500不同的受试者工作特征曲线下面积(AUC)值,我们基于以下参数估算了样本量:把握度80%;双侧显著性水平0.05;备择假设为多任务模型在测试集中对每个生物标志物预测的真实AUC值,与原假设AUC = 0.5进行比较;类别比例采用本研究中的实际比例(ER = 20例阴性/68例阳性,PR = 26例阴性/62例阳性,HER2 = 38例阴性/50例阳性)[23]。

我们从两方面评估模型性能:个体评估和整体评估。对于个体评估,我们计算了带有95%置信区间(CI)的AUC,以评估不同模型对各个生物标志物的预测性能。然后,我们根据ROC曲线分析中约登指数最大化获得的最佳截断值,从受试者工作特征(ROC)曲线计算准确率(ACC)、灵敏度(SEN)和特异度(SPEC)。此外,我们使用DeLong检验比较不同模型的性能,将p值小于0.05视为具有统计学意义。

此外,由于我们构建了一个预测多个生物标志物的模型,可将其视为多标签任务模型,我们计算了若干指标以比较不同模型的整体性能。这些指标包括宏平均ACC、宏平均召回率、宏平均精确率、宏平均F1分数和宏平均AUC,借鉴了多标签分类领域的现有研究[24]。

结果

人群与扫描参数描述

最终,共收集了388张乳腺癌3DWBUS图像。基于ER、PR和HER2信息,通过免疫组织化学检查结果和银增强原位杂交检测,将乳腺癌病例分为三种分子亚型。在收集的图像中,300例表达PR阳性,276例表达ER阳性,176例表达HER2阳性。

队列在患者层面被随机分为训练集(n = 240,62%)、验证集(n = 60,15%)和测试集(n = 88,23%)。本研究所用乳腺癌病例的特征列于表2。训练集、验证集和测试集的肿瘤特征无显著差异(所有p值 > 0.05)。

表2 基线特征 查看原表 ↗

不同模型的个体预测性能

不同模型对各个生物标志物的个体预测性能见表3。我们的单任务和多任务模型在训练集和测试集中对每种乳腺生物标志物的预测概率见图3a–f和4a–f。

单任务模型在验证集中对ER预测的AUC为0.814,在测试集中为0.809;对PR预测在验证集中AUC为0.689,在测试集中为0.688;对HER2预测在验证集中AUC为0.571,在测试集中AUC为0.626(所有AUC的p < 0.001;图3g–i)。根据DeLong检验,所有生物标志物预测中验证集与测试集之间的受试者工作特征(ROC)曲线均无显著差异(所有p值 > 0.05)。这表明模型未出现过拟合。

多任务模型在验证集中预测ER的AUC为0.745,在测试集中预测ER的AUC为0.735;预测PR在验证集中的AUC为0.748,在测试集中的AUC为0.767;预测HER2在验证集中的AUC为0.712,在测试集中的AUC为0.697(均p < 0.001;图4g–i)。根据DeLong检验,每种生物标志物预测在验证集与测试集之间的ROC曲线仍无显著差异(均p > 0.05),也表明无过拟合。

此外,采用DeLong检验对不同模型的ROC曲线进行两两比较,结果见表3。关于ER预测,单任务模型在验证集(AUC = 0.814 vs. 0.745,p = 0.446)和测试集(AUC = 0.809 vs. 0.735,p = 0.295)中的诊断性能均优于多任务模型,尽管差异无统计学意义。对于PR预测,多任务模型在验证集(AUC = 0.748 vs. 0.689,p = 0.481)和测试集(AUC = 0.767 vs. 0.688,p = 0.248)中均优于单任务模型。同样,对于HER2预测,多任务模型在验证集(AUC = 0.712 vs. 0.571,p = 0.182)和测试集(AUC = 0.697 vs. 0.626,p = 0.394)中的表现远优于单任务模型。然而,根据DeLong检验,在验证集或测试集中,每种生物标志物预测的两两模型之间均未观察到显著差异。

关于统计功效,测试集中ER所需样本量为60例患者(46例阳性,14例阴性),PR预测所需样本量为39例患者(27例阳性,12例阴性),HER2预测所需样本量为68例患者(37例阳性,29例阴性)。因此,本研究的样本量(测试集中88例)足以在测试集中以80%功效检测到真实AUC 0.735(预测ER)、0.767(预测PR)和0.697(预测HER2)与0.500不同。

表3 单任务模型、多任务模型对单个生物标志物的预测性能 查看原表 ↗
图3 单任务模型在验证集(A–C)和测试集(D–F)中对每种乳腺生物标志物的预测概率。单任务模型在验证集和测试集中对每种乳腺生物标志物的预测性能(G–I) 查看原图 ↗
图4 多任务模型在验证集(A–C)和测试集(D–F)中对每种乳腺生物标志物的预测概率。多任务模型在验证集和测试集中对每种乳腺生物标志物的预测性能(G–I) 查看原图 ↗

不同模型的总体预测性能

单任务模型和多任务模型在预测总体结局方面的性能见表4。结果表明,在多标签评估中,多任务模型在验证集和测试集上均优于单任务模型。具体而言,在测试集中,多任务模型的宏AUC为0.733,宏ACC为0.588,宏精确率为0.804,宏召回率为0.694,宏F1分数为0.738,而单任务模型的相应数值分别为0.708、0.535、0.792、0.634和0.693。在验证集中,多任务模型同样以较小幅度保持优于单任务的性能(宏AUC = 0.734 vs. 0.691,宏ACC = 0.539 vs. 0.529,宏精确率 = 0.798 vs. 0.759,宏召回率 = 0.643 vs. 0.629,宏F1分数 = 0.697 vs. 0.683)。

此外,我们在测试集中基于病灶大小进行了分层,采用受既往研究[25, 26]启发的标准:将直径大于15 mm的病灶与小于15 mm的病灶进行比较。结果见补充表1,表明所提出的多任务方法在PR/HER2个体评估中始终优于单任务模型,并在小病灶和大病灶上均表现出更好的总体性能(小病灶宏AUC = 0.752 vs. 0.691,大病灶宏AUC = 0.723 vs. 0.715)。

表4 单任务模型、多任务模型的总体预测性能 查看原表 ↗

模型可视化

测试集可视化所得的Grad-CAM + +热力图叠加于3DWBUS图像上,如图5所示。值得注意的是,两种模型均对蓝色或红色区域表现出显著偏好,而对紫色区域关注较少。此外,Grad-CAM + +结果表明,多任务模型在测试集的特定样本中对病灶区域表现出增强的关注。

图6所示的t-SNE分析结果表明,总体而言,与单任务模型相比,多任务模型提取的特征在区分PR和HER2阳性与阴性样本方面表现出更强的能力。如图6B、C所示,基于多任务方法计算的特征,我们可以清晰地识别出能够最大限度区分尽可能多阳性和阴性样本类别的红色圆圈。如图6E、F所示,这对单任务方法而言具有挑战性。相反,如图6A、D所示,单任务模型在ER预测中表现出更优的判别能力。

图5 代表性3DWBUS图像及相应的Grad-CAM + +热力图。蓝色或红色区域代表多任务模型激活较高的区域,而紫色区域代表激活较低的区域 查看原图 ↗
图6 多任务模型提取的特征分布三维表示,用于预测ER(图A)、PR(图B)、HER2(图C)。单任务模型提取的特征分布三维表示,用于预测ER(图D)、PR(图E)、HER2(图F) 查看原图 ↗

讨论

我们在3DWBUS图像上开发并验证了单任务模型和多任务模型,用于高效预测乳腺癌三种临床相关生物标志物的表达。

基于3DWBUS图像的两种模型在乳腺癌生物标志物表达预测方面均表现出令人满意的结果(测试集中宏观AUC > 0.7),凸显了深度学习模型的良好性能。此外,多任务模型在各种指标上始终优于单任务模型,表明其性能更优。具体而言,多任务模型在整体预测的所有评价指标上均显示出改善。在个体生物标志物预测方面,多任务模型在PR和HER2上获得了更高的AUC值,但在ER上AUC值较低。这表明存在一种权衡,即模型在ER预测上损失了一些准确性,但在PR和HER2预测上显著获益,从而导致整体性能提升。值得注意的是,多任务模型提取的图像特征在PR和HER2的正负样本之间表现出明显的区分度,这一点已通过t-SNE分析证实。相反,单任务模型在ER预测方面表现出更优的t-SNE可视化效果。这些发现部分解释了中国两种方法之间的性能差异。此外,多任务模型提高了可解释性,尤其是在考虑分割任务时。Grad-CAM + + 热力图结果显示,多任务模型特别关注乳腺癌肿瘤。它提取了整个肿瘤的病变区域特征,而非其他乳腺结构,这与单任务模型不同。这一特征有助于更好地理解和解释多任务模型的工作原理,进一步证明了我们的假设。

事实上,无论是个体预测还是整体预测,多任务模型在各种指标上均优于单任务模型。这可归因于单任务深度学习模型在没有任何约束的情况下从3DWBUS中提取高维特征,因此选择了一些冗余特征,如图5所示。正如Feng等人[27]的研究所揭示的,具有3DWBUS成像特征(如回缩现象)的病变与分子亚型强烈相关。单任务模型未能提取足够的病变相关特征,从而阻碍了准确预测。相比之下,多任务模型引入了显式的分割任务,迫使分类分支提取更多与病变相关的信息[21]。这与Zhang等人[28]总结的多任务学习的内在机制一致,并为多任务模型更优的性能提供了合理的解释。

多项研究探索了使用AI技术预测乳腺癌生物标志物的表达。然而,这些算法中的大多数[7, 29–32]是使用从组织病理学切片扫描的全切片图像开发的。然而,病理图像仅是病变的局部表征,仅来自活检,并可能因采样位置等而产生偏倚。此外,病理检查是有创的且对患者不友好。相比之下,我们的研究选择使用全面且无创的3DWBUS图像来预测生物标志物,单任务和多任务模型表现出的预测性能与先前基于病理学的研究[3]相似。

与我们的研究类似,一些研究利用超声(US)图像开发无创方法。Zhang等[8, 9]利用多模态乳腺X线摄影和超声进行准确预测。尽管我们的多任务模型性能不如Zhang等的研究,但我们的单模态(仅B模式)方法可能限制了特征来源并限制了性能。尽管如此,我们的多任务方法显示了可比的性能,展示了其有效利用单模态图像中包含的信息进行精确预测的能力。此外,我们的方法直接预测生物标志物的表达,而不是像上述研究中那样进行特定的肿瘤分型,这具有挑战性但在临床上是有用的,因为它使临床医生能够直接识别表达的生物标志物并促进靶向药物筛选。尽管这种方法降低了我们模型的性能,但它增强了可解释性并促进了医生的接受。此外,与之前仅关注预测单一生物标志物(ER、PR或HER2)的研究[31–33]相比,我们的方法涵盖了所有三种生物标志物。这种综合方法更符合临床需求,为诊断目的提供了更全面的视角[34, 35]。

此外,许多基于人工智能的方法已被开发用于基于磁共振成像(MRI)预测乳腺癌的分子亚型[36–38]。Ha等[39](n = 216,n代表样本量)、Zhang等[40](n = 244)和Sun等[41](n = 266)各自开发了基于MRI的深度学习模型用于此目的。然而,这些研究中相对较小的数据集规模可能限制了其模型的性能。此外,MRI的使用通常受到多种因素的约束,包括检查费用高、扫描仪可用性有限、需要注射造影剂以及等待时间长等。因此,MRI图像可能并非每位患者都能轻易获得。相比之下,利用更大的数据集(n = 388),我们的研究展示了优于上述方法的性能,充分利用了三维全自动乳腺超声(3DWBUS)图像的优势,如标准化、低成本 and 缩短检查时间。

我们承认本研究存在若干局限性。首先,需要指出这是一项回顾性研究。为了更稳健地确定所提出方法的有效性,开展额外的前瞻性实验是必要的。其次,本研究在单中心进行。虽然基于样本量计算,我们的结果是可靠且可行的,但未来需要来自多中心、更大样本量的研究来验证我们的预测性能。第三,HER2亚组的样本量相对较小,因为该类乳腺癌在临床实际中的发生率较低。这种类别不平衡问题确实影响了HER2预测的性能(表3)。在未来的研究中,有必要纳入更多HER2亚型的数据,以在多种分子分型之间实现均衡的预测性能。第四,本研究使用的3DWBUS图像仅来自一台超声设备。因此,模型的泛化能力仍需进一步验证。多设备验证过程对于确保这些模型更广泛的适用性和可靠性至关重要。最后,尽管我们的多任务模型比单任务模型显示出更好的热图,但解释所提取的影像特征以及深度学习方法所做预测的生物学意义仍然具有挑战性。研究这些影像特征的生物学意义需要进一步的研究[42]。

近年来,各种单任务深度学习方法在不同WBUS应用中显示出前景,例如预测淋巴结转移以进行局部 staging [43]、指导临床管理[44]和评估治疗反应[45]。我们的研究聚焦于乳腺癌亚型预测,我们的多任务模型在该领域已展现出显著潜力,与单任务模型相比取得了更好的结果。我们相信我们的模型有潜力迁移到其他应用中,从而在这些领域实现更好的性能。未来,我们将进一步完善我们的模型并验证其在不同临床场景中的适用性,最终促进其在常规临床实践中的实施。

总之,我们的研究表明,单任务和多任务模型均能从乳腺癌3DWBUS图像中准确预测生物标志物的表达,其中多任务模型表现出更优的性能和更强的可解释性。利用Grad-CAM + +技术,多任务模型生成的热图显示出对病灶区域更集中的关注。尽管在自动化乳腺癌生物标志物预测模型整合到临床工作流程之前仍需进一步的改进和验证,但其显著的准确性和可解释性使这些方法成为当前临床实践的有价值补充。其初步效用可能延伸至研究和质量控制应用。例如,在大型临床试验中基于生物标志物对患者进行选择或分诊,可以显著简化治疗开发流程。此外,该方法有助于识别更具信息量的肿瘤区域以进行生物标志物评估,如使用Grad-CAM + +生成的热图所示。最后,本研究为未来旨在比较纳入与未纳入这一先进机器学习框架的临床工作流程的研究奠定了基础。

补充信息

电子补充材料

引用

  1. Huang Z, Zhang X, Ju Y, et al. Explainable breast cancer molecular expression prediction using multi-task deep-learning based on 3D whole breast ultrasound. Insights Imaging. 2024. PMID: 39320560. doi:10.1186/s13244-024-01810-9
  2. 全文:PMC11424596(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11424596/

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。