在診斷癌細胞是否擴散(包括擴散到附近的淋巴結)時, 新的深度學習模型 可以減少對手術的需求(也稱為轉移)。該 AI 工具由德克薩斯大學西南醫學中心的研究人員開發,通過分析 MRI 和臨床數據的時間序列來識別轉移,從而為醫生制定治療計劃提供關鍵的非侵入性支持。這一進步有助于更及時、更準確地進行癌癥評估,幫助許多患者避免不必要的手術并改善治療效果。
大多數與乳腺癌相關的死亡病例都是由轉移性乳腺癌引起的。在美國,大約三分之一被診斷患有早期乳腺癌的女性會發展為轉移性癌癥。然而,早期發現和治療可以減緩疾病進展,幫助醫生和患者管理癥狀,并最大限度地提高治療效果。
在檢查癌癥是否已擴散到淋巴結時,醫生通常依靠哨點淋巴結活檢(SLNB)。該過程包括在癌癥部位附近注射染料和放射性溶液,以識別先流入腫瘤區域的哨點淋巴結。然后,這些結節被手術切除并進行活檢。如果在哨點淋巴結中發現癌細胞,則表明癌癥正在擴散到淋巴系統并可能進一步擴散。這些信息有助于醫生確定最適合患者的治療方法。
雖然 SLNB 是一種經過驗證的方法,但它具有侵入性,并且存在與麻醉、輻射暴露、腫脹、疼痛和切口附近活動受限有關的風險。
為了創造一種無創且可靠的 SLNB 替代方案,研究人員開發了一種定制的四維卷積神經網絡(4D CNN)。他們使用動態對比增強型 MRI(DCE-MRI)以及 350 名近期被診斷患有乳腺癌并擴散到淋巴結的女性的臨床數據集來訓練模型。
研究人員使用 Nucleus 計算集群 (德克薩斯大學西南醫學中心高性能計算基礎設施的一部分),利用 NVIDIA A100 Tensor Core 和 NVIDIA V100 Tensor Core GPU 構建和訓練復雜的 4D 深度學習模型。
“我們構建的深度學習模型是一個復雜的 4D 模型,GPU 對于我們實現高訓練吞吐量以及用于圖像增強和降噪的數據預處理流程至關重要,”NVIDIA 高級 HPC 工程師 Paniz Karbasi 說。他是研究的共同作者,也曾是德克薩斯大學西南醫學中心的計算科學家。

該 AI 模型可處理四個維度的數據,檢查 3D MRI 掃描數據,同時考慮隨時間變化的變化。該模型通過分析多張隨時間變化的圖像并集成年齡、腫瘤等級和乳腺癌標記等臨床數據,了解腫瘤和附近淋巴結的特征。通過這樣做,它可以準確識別無癌或受癌癥影響的淋巴結的模式。
“我們的研究最重要的方面是,對于成像數據,我們只關注與原發腫瘤相關的數據,而不需要任何額外的軸向成像。”研究主創作者 Dogan Polat 說,他是西奈山醫療系統介入放射學的住院醫師。Polat 博士在德克薩斯大學西南醫學中心領導這項研究。Polat 博士說:“我們的目標是減少對額外成像的需求,并減少患者的侵入性手術數量。”
它識別淋巴結轉移的準確率為 89%,優于放射科醫生和其他基于成像的模型。它還可以防止乳腺癌患者進行不必要的切除手術和軸淋巴結清掃術(ALND),減少與手術相關的風險、并發癥和資源。
Polat 表示,研究人員的下一步包括部署模型來收集真實數據,以驗證其有效性,并找出需要進一步改進和更廣泛應用的領域
閱讀研究 《乳腺癌中淋巴結轉移的機器學習預測 : 基于 MRI 的多機構 4D 卷積神經網絡的性能》
?