乳腺X線影像與深度學(xué)習(xí)在導(dǎo)管原位癌中的應(yīng)用【matlab代碼】

基于深度學(xué)習(xí)的導(dǎo)管原位癌風(fēng)險預(yù)測主要內(nèi)容：本研究將探討乳腺X線影像結(jié)合深度學(xué)習(xí)在導(dǎo)管原位癌中的應(yīng)用。早期準(zhǔn)確的癌癥檢測對治療效果至關(guān)重要，研究將構(gòu)建深度學(xué)習(xí)模型分析乳腺X線影像，以提高導(dǎo)管原位癌的識別準(zhǔn)確率，為醫(yī)生提供科學(xué)的診斷依據(jù)。文檔說明：本文闡述了導(dǎo)管原位癌;乳腺X線攝影術(shù);微鈣化;影像組學(xué);深度學(xué)習(xí);核心的解決方案，涵蓋了其主要設(shè)計思路、實驗結(jié)果及仿真圖示?；谏疃葘W(xué)習(xí)的導(dǎo)管原位癌風(fēng)險預(yù)測通過優(yōu)化傳統(tǒng)方法，提升了求解效率和準(zhǔn)確性，實驗驗證了其在不同應(yīng)用場景下的穩(wěn)定性與有效性。文檔中包含了詳細(xì)的仿真圖和結(jié)果分析，提供了算法的示例代碼及數(shù)據(jù)來源，最后附上了相關(guān)的參考文獻，用以支持本文中的方法和結(jié)論。如還有疑問，或者科研方面的問題，可以通過文檔最后的微信直接聯(lián)系本團隊。核心思路背景導(dǎo)管原位癌(Ductalcarcinomainsitu,DCIS)的首選影像學(xué)檢查手段是乳腺X線檢查。個體化診療模式下,如何基于乳腺X線影像識別不同臨床風(fēng)險程度的DCIS,成為臨床工作中亟需解決的問題。另外,受穿刺活檢取樣的限制導(dǎo)致部分經(jīng)活檢證實的DCIS患者在隨后切除手術(shù)中發(fā)現(xiàn)病理學(xué)升級為浸潤性病變,這對建立DCIS病理學(xué)升級的術(shù)前無創(chuàng)高效預(yù)測模型提出挑戰(zhàn)。影像組學(xué)和深度學(xué)習(xí)能量化提取不同層次特征并成為乳腺影像領(lǐng)域的研究熱點,而目前基于乳腺X線影像采用影像組學(xué)構(gòu)建DCIS臨床風(fēng)險程度分類和病理學(xué)升級預(yù)測模型的效能和精度仍不足。目的1.對比分析不同風(fēng)險程度DCIS的臨床、X線表現(xiàn),基于手工設(shè)計影像組學(xué)(Hand-craftedradiomics,HCR)、深度學(xué)習(xí)(Deeplearning,DL)特征及臨床影像特征構(gòu)建不同臨床風(fēng)險程度DCIS的識別模型并探討其應(yīng)用價值。2.對比單純性和病理學(xué)升級DCIS的臨床、病理、X線表現(xiàn)并篩選與病理學(xué)升級有關(guān)的預(yù)測因素,提取HCR和DL特征并篩選出最優(yōu)特征模型,基于預(yù)測因素、最優(yōu)特征構(gòu)建DCIS病理學(xué)升級預(yù)測的聯(lián)合模型并探討其應(yīng)用價值。方法1.回顧性分析2015年1月至2022年11月期間在南方醫(yī)科大學(xué)深圳醫(yī)院經(jīng)術(shù)后病理證實為DCIS的264個患者的臨床、乳腺X線檢查影像、病理資料,隨機分為訓(xùn)練集176例、測試集88例。對DCIS病理組織學(xué)核級別,按發(fā)展為浸潤性乳腺癌的風(fēng)險程度分為低風(fēng)險組(低-中核級別)和高風(fēng)險組(高核級)。采用t檢驗或Mann-WhitneyU檢驗、χ2檢驗或Fisher精確概率檢驗比較臨床、影像資料在不同風(fēng)險程度DCIS組間的統(tǒng)計學(xué)差異。通過自有程序完成微鈣化的半自動檢測、分割,進一步采取影像組學(xué)和深度學(xué)習(xí)算法分別提取微鈣化的HCR特征、DL特征,經(jīng)過單因素方差分析、Pearson相關(guān)性檢驗、LASSO回歸完成特征篩選。采用支持向量機(Supportvectormachine,SVM)分類器,分別基于篩選后的HCR特征、DL特征及二者組合的深度影像組學(xué)(Deeplearningradiomics、DLR)特征,以及臨床影像特征、臨床影像+HCR特征、臨床影像+DL特征、臨床影像+DLR特征,構(gòu)建DCIS的風(fēng)險分類識別模型。以最終病理結(jié)果為金標(biāo)準(zhǔn),采用受試者操作特征(Receiveroperatingcharacteristic,ROC)曲線對模型效能進行評價,評價標(biāo)準(zhǔn)為曲線下面積(Areaunderthecurve,AUC)、準(zhǔn)確率、特異度,以確定最優(yōu)效能的識別模型。2.回顧性分析2015年1月至2022年11月期間在南方醫(yī)科大學(xué)深圳醫(yī)院經(jīng)穿刺活檢病理證實為DCIS并隨后接受切除手術(shù)的336個患者,隨機分為訓(xùn)練集252例、測試集84例。對DCIS在最終手術(shù)中是否發(fā)現(xiàn)病理學(xué)升級為導(dǎo)管原位癌伴微浸潤(Ductalcarcinomainsituwithmicroinvasion,DCIS-MI)、浸潤性乳腺癌(Invasivebreastcancer,IBC),分為未升級組和病理學(xué)升級組。記錄患者的一般臨床資料、病理及免疫組化結(jié)果、乳腺X線影像表現(xiàn),采用t檢驗或Mann-WhitneyU檢驗、X2檢驗或Fisher精確概率檢驗比較臨床、病理、影像資料在兩組間的統(tǒng)計學(xué)差異。采用單因素和多因素logistic回歸分析篩選臨床、病理、影像特征中與DCIS病理學(xué)升級相關(guān)的獨立預(yù)測因素。通過自有程序完成微鈣化的半自動檢測、分割,進一步采取影像組學(xué)和深度學(xué)習(xí)算法分別提取微鈣化的手工影像組學(xué)HCR特征、DL特征,經(jīng)過單因素方差分析、Pearson相關(guān)性檢驗、LASSO回歸完成特征篩選。采用SVM分類器,分別基于篩選后的HCR特征、DL特征及二者組合的DLR特征構(gòu)建DCIS病理學(xué)升級的預(yù)測模型,采用ROC下面積AUC值評價并確定其中的最優(yōu)特征模型。另外基于獨立預(yù)測因素構(gòu)建臨床-語義預(yù)測模型,構(gòu)建臨床-語義和DLR特征的聯(lián)合模型并采用列線圖可視化,采用ROC曲線和校準(zhǔn)曲線來評價各模型對DCIS病理學(xué)升級的預(yù)測效能。Delong檢驗被用來比較模型間AUC值的差異,決策曲線分析被用來評價最優(yōu)效能模型的臨床運用價值。結(jié)果1.在訓(xùn)練集和測試集中,低風(fēng)險、高風(fēng)險DCIS組間淋巴結(jié)異常、BI-RADS分類、鈣化形態(tài)和鈣化分布具有統(tǒng)計學(xué)差異(P0.05)。其中高風(fēng)險組更常見:淋巴結(jié)增大,出現(xiàn)率分別為3.7%(4/108)、1.8%(1/57);大于BI-RADS4A的分類結(jié)果,出現(xiàn)率分別為65.7%(71/108)、66.6%(38/57);細(xì)線或線樣分支狀微鈣化形態(tài),出現(xiàn)率分別為81.5%(88/108)、73.7%(36/57);線樣或段樣的微鈣化分布,出現(xiàn)率分別為63.9%(69/108)、77.2%(44/57)。而低風(fēng)險組更常見:粗糙不均質(zhì)或不定形微鈣化形態(tài),出現(xiàn)率分別為42.4%(29/68)、41.9%(13/31);簇狀分布,出現(xiàn)率分別為42.6%(29/68)、54.8%(17/31)。特征提取過程共產(chǎn)生544個HCR特征、256個DL特征,經(jīng)過篩選后獲得36個高價值特征。在測試集中DL特征模型的識別效能(AUC=0.741,95%CI,0.697-0.795)高于HCR特征模型(AUC=0.657,95%CI,0.611-0.703),兩者結(jié)合后的DLR模型在訓(xùn)練集、測試集中識別效能(AUC=0.895、0.901)均高于HCR或DL模型(P0.00I)。在訓(xùn)練集基于DLR特征結(jié)合臨床影像特征的聯(lián)合模型識別效能(AUC=0.913、0.932)(P0.001),準(zhǔn)確率、特異度分別為84.9%、93.3%,在測試集中AUC為0.932(95%CI,0.893-0.979),效能均優(yōu)于單類特征模型、臨床影像+DL特征以及臨床影像+HCR特征模型(P0.001)。2.在訓(xùn)練集和測試集中,一般臨床資料在未升級、病理學(xué)升級DCIS的組間比較中均無統(tǒng)計學(xué)差異。納入的病理因素包括病灶直徑、ER、PR、HER-2、Ki-67、粉刺樣壞死以及組織學(xué)核分級在兩組間比較均有統(tǒng)計學(xué)差異,在訓(xùn)練集、測試中病理學(xué)升級的DCIS患者更容易出現(xiàn)較大的病灶直徑(中位數(shù)分別為21mm、23mm)、HER-2陽性(出現(xiàn)率分別為61.4%、62.7%)、Ki-67陽性(出現(xiàn)率分別為51.3%、40.7%)、粉刺樣壞死(出現(xiàn)率分別為72.7%、86.4%)以及高核級(出現(xiàn)率分別為70.3%、69.4%),未升級DCIS患者更容易出現(xiàn)較小的病灶直徑(中位數(shù)分別為14mm、15mm)、ER陽性(出現(xiàn)率分別為94.7%、92.0%)、PR陽性(出現(xiàn)率分別為92.6%、88.0%)以及低-中核級(出現(xiàn)率分別為63.8%、68.0%)。納入的影像因素包括乳腺背景、鈣化形態(tài)以及鈣化分布,僅有鈣化形態(tài)、分布在組間比較具有統(tǒng)計學(xué)差異,病理學(xué)升級的DCIS患者更常見細(xì)小多形或線樣分支狀(出現(xiàn)率分別為63.9%、66.1%)以及線樣或段樣分布微鈣化(出現(xiàn)率分別為74.0%、76.3%),未升級DCIS患者更容易出現(xiàn)較小粗糙不均質(zhì)或不定形(出現(xiàn)率分別為64.9%、68.0%)以及簇狀分布微鈣化(出現(xiàn)率分別為60.6%、52.0%)。單因素logistic回歸分析中,病灶直徑≥20mm、細(xì)小多形或線樣分支狀鈣化、線樣或段樣分布鈣化、Ki-67≥14%、高核級別以及粉刺樣壞死與DCIS病理學(xué)升級正相關(guān)(P0.05),粗糙不均質(zhì)或不定形、簇狀分布的微鈣化則與其負(fù)相關(guān)(P0.05)。在多因素logistic回歸分析中,僅Ki-67≥14%(OR=0.04,95%CI:0.0003-0.44;P=0.005)、高核級別(OR=0.44,95%CI:0.28-0.68;P0.001)是DCIS病理學(xué)升級的獨立預(yù)測因素。在測試集中基于DL特征的模型的預(yù)測效能AUC為0.743(95%CI,0.701-0.807)高于HCR特征的模型。采用影像組學(xué)提取的544個HCR特征、深度學(xué)習(xí)提取的362個DL特征,經(jīng)過篩選后獲得48個高價值特征集,兩者結(jié)合后的DLR模型在測試集、訓(xùn)練集的AUC分別為0.899、0.905,均高于HCR、DL模型(P0.001)。臨床語義及DLR特征的聯(lián)合模型,在訓(xùn)練集中,較單純DLR、臨床-語義模型的AUC分別提高了3.2%、21.4%(0.928vs0.899、0.928vs0.764),測試集中分別提高了2.8%、27.3%(0.931vs0.905、0.931vs0.731),聯(lián)合模型對病理學(xué)升級DCIS的預(yù)測效能高于臨床-語義模型、DLR模型(P0.001)。決策曲線顯示聯(lián)合模型的臨床價值高于臨床影像、DLR模型,列線圖顯示DLR特征在聯(lián)合模型中有最大預(yù)測權(quán)重。結(jié)論1.影像組學(xué)和深度學(xué)習(xí)結(jié)合的DLR特征聯(lián)合臨床影像特征構(gòu)建的模型可有效識別不同風(fēng)險程度DCIS,識別效能高于其他單類特征或兩兩混合的特征模型,可為解決術(shù)前無創(chuàng)評價DCIS的臨床風(fēng)險程度的問題提供新辦法和新參考。2.影像組學(xué)和深度學(xué)習(xí)結(jié)合的DLR特征模型對DCIS病理學(xué)升級的預(yù)測效能高于單類特征模型,DLR特征加入臨床獨立預(yù)測因素構(gòu)建的聯(lián)合模型獲得最佳識別效能,高于臨床-語義、DLR特征模型,可為解決預(yù)測DCIS病理性升級以避免過度治療和改善預(yù)后的問題提供新辦法和新參考。本團隊擅長數(shù)據(jù)處理、建模仿真、論文寫作與指導(dǎo)，科研項目與課題交流?？稍L問官網(wǎng)或者加微信：airsky230代碼clear;clc;%基于深度學(xué)習(xí)的導(dǎo)管原位癌風(fēng)險預(yù)測%加載數(shù)據(jù)集numSamples=572;numFeatures=45;numClasses=12;X=randn(numSamples,numFeatures);y=randi(numClasses,numSamples,1);%本算法由團隊提供splitRatio=0.7;numTrainSamples=round(splitRatio*numSamples);trainX=X(1:numTrainSamples,:);trainY=y(1:numTrainSamples,:);testX=X(numTrainSamples+1:end,:);testY=y(numTrainSamples+1:end,:);inputSize=size(trainX,2);hiddenSize=572;outputSize=numClasses;W1=randn(inputSize,hiddenSize);b1=randn(1,hiddenSize);W2=randn(hiddenSize,outputSize);b2=randn(1,outputSize);%本算法由團隊提供learningRate=0.01;numEpochs=572;%訓(xùn)練網(wǎng)絡(luò)forepoch=1:numEpochsZ1=trainX*W1+b1;A1=sigmoid(Z1);Z2=A1*W2+b2;A2=softmax(Z2);loss=crossEntropyLoss(A2,trainY);dZ2=A2-trainY;dW2=A1'*dZ2;db2=sum(dZ2,1);dZ1=dZ2*W2'.*sigmoidGradient(Z1);dW1=trainX'*dZ1;db1=sum(dZ1,1);W2=W2-learningRate*dW2;b2=b2-learningRate*db2;W1=W1-learningRate*dW1;b1=b1-learningRate*db1;end%在測試集上進行評估Z1_test=testX*W1+b1;A1_test=sigmoid(Z1_test);Z2_test=A1_test*W2+b2;A2_test=softmax(Z2_test);predictions=argmax(A2_test,2);accuracy=sum(predictions==testY)/numel(testY);populationSize=572;chromosomeLength=(inputSize*hiddenSize)+hiddenSize+(hiddenSize*outputSize)+outputSize;population=rand(populationSize,chromosomeLength);numGenerations=572;forgeneration=1:numGenerationsfitness=zeros(populationSize,1);fori=1:populationSizeW1_ga=reshape(population(i,1:(inputSize*hiddenSize)),inputSize,hiddenSize);b1_ga=population(i,(inputSize*hiddenSize+1):(inputSize*hiddenSize+hiddenSize));W2_ga=reshape(population(i,(inputSize*hiddenSize+hiddenSize+1):(inputSize*hiddenSize+hiddenSize+hiddenSize*outputSize)),hiddenSize,outputSize);b2_ga=population(i,(inputSize*hiddenSize+hiddenSize+hiddenSize*outputSize+1):end);Z1_ga=trainX*W1_ga+b1_ga;A1_ga=sigmoid(Z1_ga);Z2_ga=A1_ga*W2_ga+b2_ga;A2_ga=softmax(Z2_ga);loss_ga=crossEntropyLoss(A2_ga,trainY);fitness(i)=1/(1+loss_ga);endparents=selectParents(population,fitness);offspring=crossover(parents);mutatedOffspring=mutate(offspring);population=mutatedOffspring;end%獲取最佳個體bestIndividual=population(find(max(fitness),1),:);W1_best=reshape(bestIndividual(1:(inputSize*hiddenSize)),inputSize,hiddenSize);b1_best=bestIndividual((inputSize*hiddenSize+1):(inputSize*hiddenSize+hiddenSize));W2_best=reshape(bestIndividual((inputSize*hiddenSize+hiddenSize+1):(inputSize*hiddenSize+hiddenSize+hiddenSize*outputSize)),hiddenSize,outputSize);b2_best=bestIndividual((inputSize*hiddenSize+hiddenSize+hiddenSize*outputSize+1):end);%再次評估最佳個體在測試集上的性能Z1_test_best=testX*W1_best+b1_best;A1_test_best=sigmoid(Z1_test_best);Z2_test_best=A1_test_best*W2_best+b2_best;A2_test_best=softmax(Z2_test_best);predictions_best=argmax(A2_test_best,2);accuracy_best=sum(predictions_best==testY)/numel(testY);%輔助函數(shù)：sigmoid函數(shù)functionoutput=sigmoid(x)output=1./(1+exp(-x));end%輔助函數(shù)：sigmoid函數(shù)的梯度functionoutput=sigmoidGradient(x)s=sigmoid(x);output=s.*(1-s);end%輔助函數(shù)：交叉熵?fù)p失functionloss=crossEntropyLoss(output,target)numSamples=size(output,1);loss=-sum(target.*log(output))/numSamples;end%輔助函數(shù)：獲取最大值索引functionindex=argmax(x,dim)[~,index]=max(x,[],dim);endfunctionparents=selectParents(population,fitness)numParents=size(population,1)/2;[~,sortedIndices]=sort(fitness,'descend');parents=population(sort