多参数MRI瘤内及瘤周的深度学习模型预测乳腺癌分子分型

摘要

目的：构建基于多参数MRI瘤内及瘤周的多路径输入的ResNet（MP-ResNet）模型，用于乳腺癌四种分子分型的预测，同时评估瘤周区域对模型预测效能的影响。方法：收集247例经病理确诊为乳腺癌患者的抑脂T₂WI（FS-T₂WI）、T₁WI动态对比增强MRI（DCE-MRI）、DWI，共获得1 482幅图像，按7∶3比例分为训练集（n=1 035）与测试集（n=447）。首先获取5组数据集感兴趣区（ROI），包括瘤内ROI（手动勾画），ROI_{瘤周3 mm}和ROI_{瘤周6 mm}（自动外扩3 mm和6 mm），瘤内+瘤周ROI(ROI_{瘤内+3 mm}和ROI_瘤内+6mm)。然后，通过改进单一通道输入的经典ResNet模型，并融合瘤内和瘤周区域的多参数MRI特征，获得MP-ResNet模型，预测乳腺癌的四种分子亚型（Luminal A、Luminal B、HER2过度表达型、三阴性）。最后，分别计算经典ResNet模型和MPResNet模型的准确率、精确率、召回率、平衡F分数，评估5组数据集下MP-ResNet模型对乳腺癌分子分型的预测效能，同时比较经典ResNet模型与MP-ResNet模型预测乳腺癌四种分子亚型的效能。结果：经典ResNet模型在三个序列（DCE-MRI、DWI、FS-T₂WI）中预测乳腺癌四种分子亚型的整体准确率分别为80.54%、76.29%、70.69%。MP-ResNet_瘤内、MP-ResNet_{+3 mm}、MPResNet_{+6 mm}、MP-ResNet_{瘤内+3 mm}和MP-ResNet_{瘤内+6 mm}模型预测乳腺癌四种分子亚型的整体准确率分别为89.26%、87.92%、88.81%、90.60%以及91.28%，其中MP-ResNet_瘤内+3mm预测三阴性乳腺癌的准确率为96.66%，精确度、召回率及平衡F分数均达到93.69%。MP-ResNet_瘤内+6mm预测Luminal A型乳腺癌的准确率为97.37%、精确度为93.10%、召回率为97.30%、平衡F分数为95.15%。MP-ResNet_瘤内+6mm预测Luminal B型乳腺癌的准确率为94.44%、精确度为93.27%、召回率为85.09%、平衡F分数为88.99%。MP-ResNet_瘤内+6mm预测HER2过度表达型乳腺癌的准确率为94.23%、精确度为88.39%、召回率为89.19%、平衡F分数为88.79%。结论：基于瘤内及瘤周的多路径输入的MP-ResNet模型预测乳腺癌的四种分子分型的效能优于经典ResNet模型，且MP-ResNet模型预测三阴性乳腺癌和Luminal A型乳腺癌的效能优于HER2过度表达型和Luminal B型。

关键词

乳腺肿瘤 / 深度学习 / 磁共振成像