一种用于乳腺癌风险预测的新时间衰减放射组学集成网络（TRINet）

《Medical Image Analysis》：A new Time-decay Radiomics Integrated Network (TRINet) for breast cancer risk prediction

提出一种新型深度学习架构TRINet，整合时间衰减注意力机制、radiomic特征与深度学习特征的多视图融合方法、动态时间嵌入加性危害层以及持续学习策略ReST^CL，显著提升乳腺癌风险预测的准确性，在1-5年风险预测中AUC值达0.851-0.789，优于现有方法如Mirai和Lomar。

　　乳腺癌的早期检测对于提高患者生存率和改善治疗效果具有重要意义。现有的风险预测方案往往采用固定的时间间隔和广义的风险分类，这可能导致过度筛查或筛查不足的问题。过度筛查可能带来假阳性、不必要的焦虑和过度治疗等负面影响，而筛查不足则可能错过早期癌症信号，延误诊断时机。因此，开发能够根据个人筛查历史进行风险评估的个性化筛查方案，是当前医学影像领域的重要研究方向。本研究提出了一种新的深度学习模型，称为TRINet，旨在通过整合时间衰减注意力机制、放射组学特征、时间嵌入和连续学习策略，提升乳腺癌风险预测的准确性与适应性。

TRINet模型的核心创新点在于其对时间衰减注意力的引入。传统注意力机制对图像中的每个像素赋予相同的权重，而TRINet则根据时间的推移，赋予更近期的筛查图像更高的权重。这一机制能够有效捕捉乳腺组织随时间演变的细微变化，从而在风险预测中发挥重要作用。此外，TRINet还结合了放射组学特征与深度学习特征，通过注意力机制进行特征融合，以提升模型的整体表现。为了更好地适应不规则的时间间隔和乳腺的双侧不对称性，模型还引入了新的标签分配策略，并设计了一个时间嵌入的加性风险层，以实现基于个体化筛查间隔的动态、多年度风险预测。

本研究采用了两个公开数据集进行实验：一个是来自美国的EMBED数据集，包含8,528名患者；另一个是来自瑞典的CSAW数据集，包含8,723名患者。在对EMBED测试集的评估中，TRINet模型在1至5年的风险预测中分别达到了0.851、0.811、0.796、0.793和0.789的AUC值。这些结果表明，TRINet在性能上与现有的最先进模型相当，能够提供更精确的预测。同时，研究强调了时间注意力、放射组学特征、时间嵌入和连续学习策略的综合应用对乳腺癌风险预测的重要意义，为个性化和精准的筛查方案提供了新的工具。

当前的乳腺癌风险预测模型主要依赖于统计学数据，如年龄、家族史、种族、遗传因素和乳腺密度等，但这些模型在个体层面的区分能力有限。相比之下，基于深度学习的模型能够直接从乳腺X光图像中学习模式，从而显著提升预测性能。然而，大多数现有模型仅分析单张静态X光图像，忽略了多个筛查图像中的时间变化信息。这种局限性限制了模型对风险进展的捕捉能力。TRINet通过引入时间衰减注意力机制，弥补了这一缺陷，使模型能够关注更近期的筛查图像，从而更准确地识别癌症风险。

在模型设计方面，TRINet采用了一种新的放射组学与深度学习特征结合的多实例学习（RADMIL）框架。RADMIL通过注意力机制对来自左、右乳腺的CC和MLO视图的特征进行加权平均，从而更有效地整合不同视图的信息。此外，研究还引入了双侧不对称性这一已知的风险因素，通过横向注意力机制对可能患病的乳腺侧进行重点关注，提高模型的可解释性与预测准确性。

在连续学习方面，TRINet采用了一种新的自我训练方法（ReST^CL），使模型能够在新数据集上持续学习，同时避免对原始数据集的记忆遗忘。该方法基于双侧不对称性特征进行标签分配，通过在新数据集上进行微调，使模型能够适应不同的人群，同时保留对原始人群的预测能力。这一方法在医学影像分析中具有广泛的应用前景，为模型的持续优化和适应性提升提供了新的思路。

研究结果表明，TRINet在多个关键指标上优于现有方法，包括时间衰减注意力的引入、放射组学特征的整合以及连续学习策略的应用。通过结合这些创新技术，TRINet不仅能够提高乳腺癌风险预测的准确性，还能够为个性化筛查方案提供更精细的指导。此外，研究还通过不同配置的对比实验，验证了RADMIL框架和横向注意力机制在风险预测中的有效性。这些方法的引入，使得模型在不同时间间隔下的预测能力得到了显著提升。

总的来说，TRINet模型通过综合应用时间衰减注意力、放射组学特征、时间嵌入和连续学习策略，为乳腺癌风险预测提供了一种更适应、更精准的解决方案。未来，随着更多数据集的出现和模型的进一步优化，TRINet有望在临床实践中发挥更大的作用，推动个性化医疗和精准筛查的发展。同时，研究也指出，当前模型主要基于单一的人群数据进行训练，缺乏对不同人群的适应性，因此进一步的数据集扩展和模型泛化能力的提升将是未来研究的重点。