Reliable Breast Cancer Molecular Subtype Prediction based on uncertainty-aware Bayesian Deep Learning by Mammography

要約

乳がんは、分子サブタイプ、臨床的挙動、治療反応、生存転帰が異なる不均一な疾患です。
医療画像を使用して分子サブタイプを予測する、信頼性が高く、正確で、利用可能で、安価な方法の開発は、乳がんの診断と予後において重要な役割を果たします。
最近、ディープラーニング手法は、さまざまな医療画像を使用した乳がん分類タスクで優れたパフォーマンスを示しています。
これだけの成功にもかかわらず、古典的な深層学習は予測の不確実性を提供できません。
不確実性は予測の妥当性を表します。したがって、予測の不確実性が高いと、乳がんの分子サブタイプの正確な診断に悪影響を及ぼす可能性があります。
これを克服するために、不確実性の定量化手法を使用して予測の不確実性を決定します。
したがって、この研究では、完全なマンモグラム画像を使用して、不確実性を考慮したベイジアン深層学習モデルを提案しました。
さらに、マルチクラス分子サブタイプ分類タスクのパフォーマンスを向上させるために、2 段階分類戦略と呼ばれる新しい階層分類戦略を提案しました。
各サブタイプの提案されたモデルの個別の AUC は、HER2 が豊富なクラス、ルミナル クラス、トリプルネガティブ クラスでそれぞれ 0.71、0.75、0.86 でした。
提案されたモデルは、完全なマンモグラフィー画像を使用した場合でも、乳がんの分子サブタイプ予測の分野における他の研究と同等のパフォーマンスを有するだけでなく、予測の不確実性を定量化するため、より信頼性が高くなります。

要約(オリジナル)

Breast cancer is a heterogeneous disease with different molecular subtypes, clinical behavior, treatment responses as well as survival outcomes. The development of a reliable, accurate, available and inexpensive method to predict the molecular subtypes using medical images plays an important role in the diagnosis and prognosis of breast cancer. Recently, deep learning methods have shown good performance in the breast cancer classification tasks using various medical images. Despite all that success, classical deep learning cannot deliver the predictive uncertainty. The uncertainty represents the validity of the predictions.Therefore, the high predicted uncertainty might cause a negative effect in the accurate diagnosis of breast cancer molecular subtypes. To overcome this, uncertainty quantification methods are used to determine the predictive uncertainty. Accordingly, in this study, we proposed an uncertainty-aware Bayesian deep learning model using the full mammogram images. In addition, to increase the performance of the multi-class molecular subtype classification task, we proposed a novel hierarchical classification strategy, named the two-stage classification strategy. The separate AUC of the proposed model for each subtype was 0.71, 0.75 and 0.86 for HER2-enriched, luminal and triple-negative classes, respectively. The proposed model not only has a comparable performance to other studies in the field of breast cancer molecular subtypes prediction, even using full mammography images, but it is also more reliable, due to quantify the predictive uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google