人工智能在乳腺癌领域的最新进展｜【医学AI·文献速递·05-29】

小罗碎碎念

2024-05-29｜文献速递

今天分享的文章，主题是AI+乳腺癌。

第三篇文章，个人觉得是今天最有借鉴价值的——临床故事接地气，工科算法赶潮流。这篇文章主要做的事情是利用多模态多组学，去区分乳腺腺病和乳腺癌，因为频繁的做检查，会给患者带来沉重的心理负担。另外，等待结果的过程也很焦虑，具体感受请参考这篇文章。

近距离接触肿瘤患者后，我的健康观才算真正得到了重塑

另外，第六篇文献其实也很有意思——通过影像组学，预测脑转移瘤的原发部位。这是一项回顾性的多中心研究，涵盖了来自肺癌、黑色素瘤、乳腺癌、结直肠癌以及其他原发部位的异质组合（5类分类）的脑转移瘤。具体的细节，就留着各位去探索了。

交流群

欢迎大家来到【医学AI】交流群，本群设立的初衷是提供交流平台，方便大家后续课题合作。

麻烦从群内加我的人，详细备注，谢谢

一、超声+乳腺特异性伽马成像｜机器学习预测腋窝淋巴结转移

文献概述

这篇文章介绍了一项旨在开发基于机器学习的非侵入性预测模型的研究，以评估乳腺癌患者腋窝淋巴结转移情况。

研究人员收集了2012年至2021年间接受手术的乳腺癌患者的临床资料，包括乳腺特异性伽马成像(BSGI)和超声图像。利用机器学习方法，结合BSGI特征和超声参数，建立了预测模型。

结果显示，支持向量机(SVM)模型表现最佳，AUC值为0.794。研究还建立了在线计算工具，使医生能够方便地预测患者腋窝淋巴结转移的风险。该研究为医生提供了非侵入性评估乳腺癌患者腋窝淋巴结状态的工具，有助于避免不必要的腋窝手术，并提高患者的生活质量。

重点关注

该研究使用机器学习(ML)方法从BSGI和超声检查中选择变量,创建了一个预测ALN转移的模型。
训练集包括来自235名患者的1104张超声图像和940张BSGI图像,而测试集包括来自99名患者的568张超声图像和296张BSGI图像。
基于表现最佳的支持向量机(SVM)模型,选择了6个超声参数和1个BSGI特征。
在测试集中,SVM模型显示出良好的预测能力,AUC为0.794,敏感性为0.641,特异性为0.8,准确性为0.737。
开发了一个在线计算工具,使临床医生能够轻松预测患者ALN转移的风险。
该研究得出结论,开发的结合BSGI和超声特征的非侵入性预测模型可以帮助临床医生选择适当的治疗方案。

二、乳腺超声图像分割中的最新进展｜多频率多尺度交互CNN-Transformer混合网络

这篇文章是关于一种新型的医学图像分割网络——多频率多尺度交互CNN-Transformer混合网络（MFMSNet），它专门用于乳腺超声图像分割。

研究背景：

乳腺癌已成为全球主要的癌症类型，早期检测和快速诊断对降低乳腺癌的发病率和死亡率至关重要。
乳腺超声因其无辐射、无创和成本效益而成为临床实践中广泛使用的诊断工具。
传统放射科医师解读超声图像的方法工作量大，结果依赖于医师经验。
计算机辅助诊断（CAD）系统的发展旨在减轻放射科医师的工作量，提高诊断准确性。

MFMSNet网络：

作者提出了MFMSNet，它利用八度卷积（Octave convolutions）代替传统卷积，有效分离高频和低频成分，降低计算复杂性。
引入多频率Transformer块（MF-Trans），实现高频和低频信息之间的有效交互，捕捉长距离依赖关系。
采用多尺度交互融合模块（MSIF），合并不同尺寸的高频特征图，通过整合局部上下文信息，增强对肿瘤边缘的强调。

实验结果：

在两个公开的乳腺超声数据集和一个甲状腺超声数据集上，MFMSNet的性能超过了七种最先进的方法。
使用五折交叉验证方法，在BUSI、BUI和DDTI数据集上的测试集分别获得了83.42%、90.79%和79.96%的dice系数。

方法论：

网络架构包括编码器、分割解码器、MF-Trans和MSIF模块。
利用八度卷积在编码器和解码器模块中，通过在跳跃连接中整合MF-Trans模块，实现高频和低频信息的有效交互。
MSIF模块通过多尺度上下文信息的融合过程，细化乳腺病变的细节。

结论：

MFMSNet通过结合CNN和Transformer的优势，为超声图像中的乳腺病变提供了精确的分割。
在BUSI、BUI和DDTI数据集上的评估表明，MFMSNet在分割性能上超越了现有的网络。
尽管MFMSNet在设计上保持轻量级，但它在参数数量和浮点运算次数上与其他最新网络相比仍具有竞争力。

三、区分乳腺腺病和乳腺癌|多模态卷积神经网络

这篇文章是关于一种名为模态特定增强（Modality-Specific Enhancement, MSE）技术的研究成果，该技术应用于超声图像诊断，旨在提高区分乳腺腺病（Adenosis）和乳腺癌的精确度。研究由Zimei Lin、Libin Chen、Yunzhong Wang、Tao Zhang和Pintong Huang共同完成，并发表在《Cancer Letters》期刊上。

研究背景：

乳腺腺病是一种良性乳腺病变，其病变可能类似于乳腺癌。
目前，乳腺病变的恶性评估通常使用乳腺影像报告和数据系统（Breast Imaging-Reporting and Data System, BI-RADS）。
区分腺病和癌症通常需要活检，但过度诊断和治疗可能给患者带来身体和心理上的伤害。

研究目的：

开发并验证基于多模态超声图像的MSE-Breast Net模型的性能，并与BI-RADS进行比较。

研究方法：

纳入了179名乳腺癌患者和229名腺病患者，分为训练队列（机构I，n=292）和验证队列（机构II，n=116）。
使用多种超声图像，包括B超、彩色多普勒血流成像（CDFI）和对比增强超声（CEUS）。
应用深度学习技术，构建了一个集成了多种超声图像的先进多模态卷积神经网络模型。

研究结果：

在训练队列中，最终模型的AUC（0.82）显著大于基于B模式的模型（0.69）。
在验证队列中，最终模型的AUC为0.81，大于BI-RADS的AUC（0.75）。
多模态模型的表现优于单独和双模态模型，其AUC达到0.87。

结论：

MSE-Breast Net基于多模态超声图像，展现了比BI-RADS更好的诊断性能，有助于区分腺病和乳腺癌，可能对临床诊断和治疗有所贡献。

研究限制：

研究为回顾性、双中心研究，可能存在选择偏差。

未来工作：

计划将该模型扩展到包括剪切波弹性成像（Shear-Wave Elastography, SWE）在内的其他超声成像模式。

四、`六种机器学习模型`的构建和比较|识别甲状腺癌患者中是否存在对侧中央淋巴结转移

这篇文章的标题是《Machine learning algorithms for identifying contralateral central lymph node metastasis in unilateral cN0 papillary thyroid cancer》，作者是Anwen Ren、Jiaqing Zhu、Zhenghao Wu、Jie Ming、Shengnan Ruan、Ming Xu和Tao Huang。文章发表在《Frontiers in Endocrinology》上，于2024年5月10日发布。

文章的目的是提供一个基于机器学习预测模型，以帮助识别单侧cN0乳头状甲状腺癌患者中是否存在对侧中央淋巴结转移。研究使用了武汉协和医院的2225名单侧cN0乳头状甲状腺癌患者的回顾性数据，比较了存在对侧中央淋巴结转移和无转移患者的临床和病理特征。

研究方法包括：

六种机器学习模型的构建和比较，使用准确率、敏感性、特异性、接收者操作特征曲线下面积（AUC）和决策曲线分析来评估模型性能。
通过中国分化型甲状腺癌（DTCC）研究的数据对选定的模型进行验证。
所有统计分析和模型构建均使用R软件完成。

研究结果显示：

男性、最大直径大于1cm、多灶性、同侧中央淋巴结转移和年龄小于50岁是影响对侧中央淋巴结转移的独立风险因素。
随机森林模型表现优于其他模型，并在外部队列中得到验证。
基于随机森林模型构建了一个网络计算器，可能有助于临床决策。

结论是：

在考虑对侧中央淋巴结清扫时，应考虑性别、最大直径、多灶性、同侧中央淋巴结转移和年龄。
基于随机森林模型的网络计算器可能有助于临床决策。

文章还详细讨论了甲状腺癌的流行病学、治疗方法、淋巴结转移的预后意义以及机器学习在医疗领域的应用。

五、破解Ki67评分困境|自动化Ki67评分在乳腺癌研究中超越手动方法

这篇文章是关于乳腺癌研究的，标题为《Ki67困境：调查自动化Ki67评分的预后截止值和在乳腺癌中的可重复性》。作者们比较了四种自动化数字图像分析（DIA）方法和两种手动方法在评分Ki67时的预后价值和可重复性。Ki67是乳腺癌中一个已建立的预后和预测标记，但由于实验室间的变异性，其临床应用受到了限制。

研究对象为1990年至2004年间被诊断的367名患者，这些患者患有激素受体阳性、HER2阴性、淋巴结阴性的乳腺癌。手动评分采用预定义的标准进行，而DIA评分则使用了QuPath和Visiopharm®平台。研究通过类内相关系数（ICC）来评估可重复性，并通过ROC曲线生存分析确定了最佳截止值，同时考虑了国际Ki67工作组和挪威指南的建议。Kaplan-Meier曲线、对数秩检验和Cox回归分析用于评估Ki67评分与远处无转移生存期（DM）之间的关系。

结果显示，手动热点和全局评分方法与对应的DIA方法（ICC > 0.780）显示出良好的一致性，并且不同DIA热点评分平台之间也有良好到极好的一致性（ICC 0.781–0.906）。不同的Ki67截止值显示了显著的DM无生存期（p < 0.05）。使用14%的截止值时，DIA评分对于DM无生存期的预后价值比手动评分（HR 2.012–2.056）更高（HR 3.054–4.077）。使用单一截止值会影响所有评分方法的预测结果分布（例如假阳性和假阴性）。

研究结论是DIA评分的Ki67优于手动方法，但需要进一步研究以标准化自动化DIA评分和临床截止值的定义。

文章还讨论了乳腺癌的普遍性和严重性，以及Ki67评分在治疗决策中的潜在作用。作者指出，尽管Ki67是一个有价值的预后生物标记物，但缺乏标准化的评分方法。文章还提到了数字病理学和人工智能的兴起，这为改善Ki67的量化提供了新的途径。研究旨在比较使用四种DIA评分方法与两种手动方法（传统的热点和全局未加权和加权）的Ki67评分的可重复性和预后能力。

研究材料和方法部分详细描述了研究队列的选择、数据集的构成、免疫组化和成像技术、手动热点Ki67定量、手动全局Ki67定量、数字图像分析（DIA）以及统计分析方法。

最后，文章讨论了研究的局限性，并指出需要在未来的研究中进一步验证DIA方法，并强调了选择评分方法和截止值对于患者分类的重要性。

六、MRI放射组学|预测脑转移瘤原发肿瘤部位

这篇文章是一项关于使用MRI放射组学（radiomics）来预测脑转移瘤原发肿瘤部位的研究。研究的目的是验证MRI放射组学在预测脑转移瘤原发肿瘤组织学或基因组信息方面的能力，并通过内部和外部验证来评估这一点，同时使用过采样技术来解决类别不平衡问题。

研究是一项经过IRB批准的回顾性多中心研究，涵盖了来自肺癌、黑色素瘤、乳腺癌、结直肠癌以及其他原发部位的异质组合（5类分类）的脑转移瘤。

研究包括231名患者（545个转移瘤）的本地数据，这些数据在2003年至2021年间收集。外部验证使用了来自斯坦福大学BrainMetShare数据库和加州大学旧金山分校脑转移瘤立体定向放射治疗数据库的82名患者（280个转移瘤）和258名患者（809个转移瘤）的数据。

研究的预处理步骤包括大脑提取、偏差校正、共配准、强度归一化和半手动二元肿瘤分割。从T1w（±对比）、液体衰减反转恢复（FLAIR）序列以及每种序列的小波变换（8种分解）中提取了2528个放射组学特征。使用随机森林分类器在原始数据和过采样数据上训练选定的特征（5折交叉验证），并使用准确率、精确度、召回率、F1分数和接收者操作特征曲线下面积（AUC）在内部/外部保留测试集上进行评估。

研究结果显示，过采样并没有改善在内部和外部测试集上的整体不满意表现。错误的数据分割（在训练/验证/测试分割之前进行过采样）导致了模型性能的严重高估。研究的结论是，应该批判性地评估放射组学模型从图像中预测组织学或基因组数据的能力；外部验证是必需的。

文章还讨论了在医学领域，尤其是针对脑转移瘤的组织学类型的预测方面，放射组学模型的局限性，并强调了正确的数据分割对于评估模型有效性的重要性。此外，文章还提到了在进行人工智能研究时，应该遵循适当的报告准则和检查表以确保研究的质量和结果的可重复性。