基于增强 MRI 的乳腺癌淋巴管血管侵犯多模态自动诊断：ResUNet++ 分割与基于 Transformer 的分类

《BMC Medical Imaging》：Multimodal automated diagnosis of lymphovascular invasion in breast cancer on contrast-enhanced MRI: ResUNet?+?+?segmentation and transformer-based classification

　　

摘要

目的

开发并评估一种自动化的多模态Transformer模型，用于利用对比增强磁共振成像（MRI）在术前预测浸润性乳腺癌的淋巴管/血管侵犯（LVI）。

材料与方法

回顾性研究分析了288例经病理确诊的浸润性乳腺癌患者，所有患者均接受了术前动态对比增强磁共振成像（DCE-MRI）。研究包括内部队列（238例）和外部队列（50例）。肿瘤感兴趣区（ROI）由放射科医生手动勾画，并使用ResUNet++进行自动肿瘤分割。输出结果随后进行了4毫米边界膨胀处理，同时提取放射组学特征，并由放射科医生根据BI-RADS标准评估MRI特征。构建单模态和多模态模型进行比较，其中多模态融合网络整合了增强图像、放射组学特征和MRI特征。使用DeLong检验评估模型差异，并采用Grad-CAM和SHAP方法进行可解释性分析。

结果

自动分割具有稳健性（内部Dice系数为0.916，外部为0.921）。两阶段多模态分类器取得了最高的AUC值，内部为0.873，外部为0.845，而最佳单模态Transformer内部为0.801，外部为0.762。

结论

将自动MRI分割与基于Transformer的多模态学习相结合，能够实现可靠的术前LVI预测，并展现出良好的跨中心泛化能力，具有临床转化的前景。