不須手術！深度學習 AI 模型識別乳癌擴散
一種新的深度學習模型可以減少在診斷癌細胞是否擴散（包括到附近的淋巴結，也稱為轉移）時需要進行手術的可能性。由德克薩斯大學西南醫學中心的研究人員開發的 AI 工具分析時序 MRI 和臨床數據以識別轉移，為醫生在治療計劃中提供關鍵的非侵入性支持。這一進步可能導致更及時和準確的癌症評估，幫助許多患者避免不必要的手術並改善結果。
轉移性乳癌是導致大多數乳腺癌相關死亡的原因。大約三分之一的美國早期乳腺癌患者會發展為轉移性癌症。然而，早期檢測和治療可以減緩疾病進展，幫助醫生和患者管理症狀，並最大限度地提高治療效果。
醫生在檢查癌症是否已擴散到淋巴結時，通常依賴於前哨淋巴結活檢 (SLNB)。該程序涉及在癌變部位附近注射染料和放射性溶液，以識別前哨淋巴結，這些淋巴結首先流入腫瘤區域。然後，這些淋巴結被手術切除並進行活檢。如果在前哨淋巴結中發現癌細胞，則表明癌症正在擴散到淋巴系統，並可能進一步擴散。此信息可幫助醫生為患者確定最合適的治療方案。
雖然 SLNB 是一種經過驗證的方法，但它具有侵入性，並伴隨著與麻醉、輻射暴露、腫脹、疼痛和切口附近活動受限相關的風險。
為了創建一種非侵入性的可靠替代 SLNB 的方法，研究人員開發了一個自定義的四維卷積神經網絡 (4D CNN)。他們使用動態增強 MRI (DCE-MRI) 和來自 350 名最近被診斷為乳腺癌並擴散到淋巴結的女性的臨床數據集來訓練該模型。
研究人員使用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 Nucleus Compute Cluster，採用 NVIDIA A100 Tensor Core 和 NVIDIA V100 Tensor Core GPU 來構建和訓練複雜的 4D 深度學習模型。
“我們構建的深度學習模型是一個複雜的 4D 模型，GPU 對我們實現高訓練吞吐量以及我們的資料預處理管道進行圖像增強和噪聲減少至關重要，”NVIDIA 高級 HPC 工程師 Paniz Karbasi 說，他是該研究的共同作者，曾擔任德克薩斯大學西南醫學中心的計算科學家。
圖 1. 體積動態增強 MR 圖像涉及腫瘤描繪、裁剪為立方體體積以及通過計算時間點之間的差異圖像來增強腫瘤。
該 AI 模型以四維方式處理數據，檢查來自 3D MRI 掃描的數據，同時考慮隨時間的變化。該模型通過分析多個圖像並整合臨床數據（如年齡、腫瘤等級和乳腺癌標記）來學習腫瘤和附近淋巴結的特徵。通過這樣做，它可以準確識別與無癌或受癌影響的淋巴結相關的模式。
“我們研究最重要的方面是，對於影像數據，我們僅關注與原發腫瘤相關的數據，而沒有任何額外的腋窩影像，”該研究的主要作者、西奈山醫療系統介入放射科住院醫師 Dogan Polat 說。Polat 博士在德克薩斯大學西南醫學中心時領導了這項研究。“我們的目標是減少對額外影像的需求，並減少患者的侵入性手術數量，”Polat 博士說。
它以 89% 的準確度識別淋巴結轉移，優於放射科醫生和其他基於影像的模型。它還有潛力防止乳腺癌患者進行不必要的前哨淋巴結活檢和腋窩淋巴結清掃術 (ALND)，減少與該手術相關的風險、併發症和資源。
根據 Polat 的說法，研究人員的下一步包括部署該模型以收集真實世界數據，這將有助於驗證其有效性並確定進一步改進和更廣泛應用的領域。