[论文解读] Deep learning analysis of breast MRIs for prediction of occult invasive disease in ductal carcinoma in situ

Zhe Zhu, Michael R. Harowicz+5 more|arXiv (Cornell University)|Nov 28, 2017

AI in cancer detection参考文献 14被引用 3

一句话总结

本研究评估了深度学习模型在乳腺MRI上的应用，以预测经核心针穿刺活检诊断为导管原位癌（DCIS）患者中隐匿性浸润性病变。采用预训练的GoogleNet特征与多项式支持向量机（SVM）分类器，该方法获得了0.70的AUC，显示出在非侵入性识别隐藏浸润成分以指导治疗决策方面的潜力。

ABSTRACT

Purpose: To determine whether deep learning-based algorithms applied to breast MR images can aid in the prediction of occult invasive disease following the di- agnosis of ductal carcinoma in situ (DCIS) by core needle biopsy. Material and Methods: In this institutional review board-approved study, we analyzed dynamic contrast-enhanced fat-saturated T1-weighted MRI sequences of 131 patients at our institution with a core needle biopsy-confirmed diagnosis of DCIS. The patients had no preoperative therapy before breast MRI and no prior history of breast cancer. We explored two different deep learning approaches to predict whether there was a hidden (occult) invasive component in the analyzed tumors that was ultimately detected at surgical excision. In the first approach, we adopted the transfer learning strategy, in which a network pre-trained on a large dataset of natural images is fine-tuned with our DCIS images. Specifically, we used the GoogleNet model pre-trained on the ImageNet dataset. In the second approach, we used a pre-trained network to extract deep features, and a support vector machine (SVM) that utilizes these features to predict the upstaging of the DCIS. We used 10-fold cross validation and the area under the ROC curve (AUC) to estimate the performance of the predictive models. Results: The best classification performance was obtained using the deep features approach with GoogleNet model pre-trained on ImageNet as the feature extractor and a polynomial kernel SVM used as the classifier (AUC = 0.70, 95% CI: 0.58- 0.79). For the transfer learning based approach, the highest AUC obtained was 0.53 (95% CI: 0.41-0.62). Conclusion: Convolutional neural networks could potentially be used to identify occult invasive disease in patients diagnosed with DCIS at the initial core needle biopsy.

研究动机与目标

• 确定应用于乳腺MRI的深度学习是否能够预测经核心针穿刺活检诊断的DCIS患者中隐匿性浸润性病变。
• 比较迁移学习与深度特征提取方法在该预测任务中的表现。
• 评估深度学习模型是否能够优于传统放射学评估，减少漏诊浸润性病变。
• 探索在训练样本有限的小型医学影像数据集中使用预训练卷积神经网络的可行性。

提出的方法

• 通过在131例DCIS患者乳腺MRI扫描上微调ImageNet预训练的GoogleNet模型，应用迁移学习。
• 从预训练GoogleNet的卷积层中提取深度特征，作为下游分类器的输入。
• 使用多项式核的支持向量机（SVM）对提取的深度特征进行训练，以预测疾病升级为浸润性病变。
• 采用10折交叉验证评估模型性能，曲线下面积（AUC）为主要评价指标。
• 比较两种方法：端到端迁移学习与基于预训练网络特征的分类方法。
• 采用杜克大学批准的回顾性数据，严格纳入标准：无既往癌症史、无新辅助治疗史，且活检确诊为DCIS。

实验结果

研究问题

• RQ1 应用于动态对比增强乳腺MRI的深度学习模型能否预测DCIS患者的隐匿性浸润性病变？
• RQ2 在此背景下，迁移学习的性能与基于特征的深度学习方法相比如何？
• RQ3 在小规模医学影像队列中，使用大规模自然图像数据集的预训练特征是否能提升DCIS疾病升级的预测能力？
• RQ4 在数据量有限的情况下，结合深度特征与传统分类器（如SVM）的混合方法是否优于端到端微调？

主要发现

• 基于GoogleNet特征与多项式核SVM的深度特征方法取得了最高的AUC（0.70，95%置信区间：0.58–0.79）。
• 迁移学习方法的AUC较低，为0.53（95%置信区间：0.41–0.62），表明由于训练数据有限导致过拟合。
• 该模型识别出131例DCIS患者中35例（26.7%）在手术中被升级为浸润性病变。
• 研究结果表明，在小规模医学数据集中，预训练深度特征比微调更有效，因过拟合风险更低。
• 结果表明，即使数据有限，深度学习仍能从MRI中提取与隐匿性浸润性病变相关的有意义模式。
• 尽管结果具有前景，但0.70的AUC仍不足以支持其作为独立临床工具，凸显了对更大规模、多中心数据集的迫切需求。