乳腺X線影像與深度學習在導管原位癌中的應用【matlab代碼】

基于深度學習的導管原位癌風險預測主要內(nèi)容：本研究將探討乳腺X線影像結合深度學習在導管原位癌中的應用。早期準確的癌癥檢測對治療效果至關重要，研究將構建深度學習模型分析乳腺X線影像，以提高導管原位癌的識別準確率，為醫(yī)生提供科學的診斷依據(jù)。文檔說明：本文闡述了導管原位癌;乳腺X線攝影術;微鈣化;影像組學;深度學習;核心的解決方案，涵蓋了其主要設計思路、實驗結果及仿真圖示?；谏疃葘W習的導管原位癌風險預測通過優(yōu)化傳統(tǒng)方法，提升了求解效率和準確性，實驗驗證了其在不同應用場景下的穩(wěn)定性與有效性。文檔中包含了詳細的仿真圖和結果分析，提供了算法的示例代碼及數(shù)據(jù)來源，最后附上了相關的參考文獻，用以支持本文中的方法和結論。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。核心思路背景導管原位癌(Ductalcarcinomainsitu,DCIS)的首選影像學檢查手段是乳腺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致部分經(jīng)活檢證實的DCIS患者在隨后切除手術中發(fā)現(xiàn)病理學升級為浸潤性病變,這對建立DCIS病理學升級的術前無創(chuàng)高效預測模型提出挑戰(zhàn)。影像組學和深度學習能量化提取不同層次特征并成為乳腺影像領域的研究熱點,而目前基于乳腺X線影像采用影像組學構建DCIS臨床風險程度分類和病理學升級預測模型的效能和精度仍不足。目的1.對比分析不同風險程度DCIS的臨床、X線表現(xiàn),基于手工設計影像組學(Hand-craftedradiomics,HCR)、深度學習(Deeplearning,DL)特征及臨床影像特征構建不同臨床風險程度DCIS的識別模型并探討其應用價值。2.對比單純性和病理學升級DCIS的臨床、病理、X線表現(xiàn)并篩選與病理學升級有關的預測因素,提取HCR和DL特征并篩選出最優(yōu)特征模型,基于預測因素、最優(yōu)特征構建DCIS病理學升級預測的聯(lián)合模型并探討其應用價值。方法1.回顧性分析2015年1月至2022年11月期間在南方醫(yī)科大學深圳醫(yī)院經(jīng)術后病理證實為DCIS的264個患者的臨床、乳腺X線檢查影像、病理資料,隨機分為訓練集176例、測試集88例。對DCIS病理組織學核級別,按發(fā)展為浸潤性乳腺癌的風險程度分為低風險組(低-中核級別)和高風險組(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、影像資料在不同風險程度DCIS組間的統(tǒng)計學差異。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和深度學習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(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,構建DCIS的風險分類識別模型。以最終病理結果為金標準,采用受試者操作特征(Receiveroperatingcharacteristic,ROC)曲線對模型效能進行評價,評價標準為曲線下面積(Areaunderthecurve,AUC)、準確率、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的336個患者,隨機分為訓練集252例、測試集84例。對DCIS在最終手術中是否發(fā)現(xiàn)病理學升級為導管原位癌伴微浸潤(Ductalcarcinomainsituwithmicroinvasion,DCIS-MI)、浸潤性乳腺癌(Invasivebreastcancer,IBC),分為未升級組和病理學升級組。記錄患者的一般臨床資料、病理及免疫組化結果、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病理學升級相關的獨立預測因素。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和深度學習算法分別提取微鈣化的手工影像組學HCR特征、DL特征,經(jīng)過單因素方差分析、Pearson相關性檢驗、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特征構建DCIS病理學升級的預測模型,采用ROC下面積AUC值評價并確定其中的最優(yōu)特征模型。另外基于獨立預測因素構建臨床-語義預測模型,構建臨床-語義和DLR特征的聯(lián)合模型并采用列線圖可視化,采用ROC曲線和校準曲線來評價各模型對DCIS病理學升級的預測效能。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。結果1.在訓練集和測試集中,低風險、高風險DCIS組間淋巴結異常、BI-RADS分類、鈣化形態(tài)和鈣化分布具有統(tǒng)計學差異(P0.05)。其中高風險組更常見:淋巴結增大,出現(xiàn)率分別為3.7%(4/108)、1.8%(1/57);大于BI-RADS4A的分類結果,出現(xiàn)率分別為65.7%(71/108)、66.6%(38/57);細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),兩者結合后的DLR模型在訓練集、測試集中識別效能(AUC=0.895、0.901)均高于HCR或DL模型(P0.00I)。在訓練集基于DLR特征結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.在訓練集和測試集中,一般臨床資料在未升級、病理學升級DCIS的組間比較中均無統(tǒng)計學差異。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核分級在兩組間比較均有統(tǒng)計學差異,在訓練集、測試中病理學升級的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)計學差異,病理學升級的DCIS患者更常見細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病理學升級正相關(P0.05),粗糙不均質(zhì)或不定形、簇狀分布的微鈣化則與其負相關(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病理學升級的獨立預測因素。在測試集中基于DL特征的模型的預測效能AUC為0.743(95%CI,0.701-0.807)高于HCR特征的模型。采用影像組學提取的544個HCR特征、深度學習提取的362個DL特征,經(jīng)過篩選后獲得48個高價值特征集,兩者結合后的DLR模型在測試集、訓練集的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)合模型對病理學升級DCIS的預測效能高于臨床-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)合模型中有最大預測權重。結論1.影像組學和深度學習結合的DLR特征聯(lián)合臨床影像特征構建的模型可有效識別不同風險程度DCIS,識別效能高于其他單類特征或兩兩混合的特征模型,可為解決術前無創(chuàng)評價DCIS的臨床風險程度的問題提供新辦法和新參考。2.影像組學和深度學習結合的DLR特征模型對DCIS病理學升級的預測效能高于單類特征模型,DLR特征加入臨床獨立預測因素構建的聯(lián)合模型獲得最佳識別效能,高于臨床-語義、DLR特征模型,可為解決預測DCIS病理性升級以避免過度治療和改善預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，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;%基于深度學習的導管原位癌風險預測%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;%訓練網(wǎng)絡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)：交叉熵損失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