論文
A Deep Learning Mammography-based Model for Improved Breast Cancer Risk Prediction
背景乳房X線密度提高了乳腺癌風險模型的準確性。然而，乳房密度的使用受到主觀評估、放射科醫生之間的差異以及有限的資料的限制。一種基於乳房X線攝影的深度學習(DL)模型可以提供更準確的風險預測。
目的開發一種基於乳房X線攝影的DL乳腺癌風險模型，該模型比建立的臨床乳腺癌風險模型更準確。
材料和方法這項回顧性研究包括在2009年1月1日至2012年12月31日期間對39571名婦女進行的88 994次連續篩查。對於每個病人，所有的檢查都被分配到培訓、驗證或測試集中，分別得到了71 689、8554和8751項檢查。癌症的結果是透過與區域腫瘤登記處的聯絡獲得的。利用患者調查表中的危險因素資訊和電子病歷回顧，建立了乳腺癌風險評估的三種模型：採用傳統危險因素的危險因素Logistic迴歸模型(RF-LR)、單用乳腺X線片的DL模型(只使用影象DL)和混合DL模型(同時使用傳統危險因素和乳房X線片)。與已建立的包含乳房密度的乳腺癌風險模型(Tyer-Cuzick模型，版本8[TC])進行了比較。在接收機工作特性曲線(AUCS)下，用DELong試驗對模型效能進行了比較。P < .05).
結果測試組為3937名女性，年齡56.20±10.04歲。雜種DL和影象純DL的AUCS分別為0.70(95%可信區間[CI]：0.66，0.75)和0.68(95%CI：0.64，0.73)。RF-LR和TC分別為0.67(95%CI：0.62，0.72)和0.62(95%CI：0.57，0.66)。雜種DL的AUC(0.70)顯著高於TC(0.62)；P < .001) and RF-LR (0.67; P = .01).
結語與Tyer-Cuzick(第8版)模型相比，使用全場乳房X線攝影的深度學習模型的風險識別能力有了很大的提高。