在诊断癌细胞是否扩散（包括扩散到附近的淋巴结）时， 新的深度学习模型 可以减少对手术的需求（也称为转移）。该 AI 工具由德克萨斯大学西南医学中心的研究人员开发，通过分析 MRI 和临床数据的时间序列来识别转移，从而为医生制定治疗计划提供关键的非侵入性支持。这一进步有助于更及时、更准确地进行癌症评估，帮助许多患者避免不必要的手术并改善治疗效果。
大多数与乳腺癌相关的死亡病例都是由转移性乳腺癌引起的。在美国，大约三分之一被诊断患有早期乳腺癌的女性会发展为转移性癌症。然而，早期发现和治疗可以减缓疾病进展，帮助医生和患者管理症状，并最大限度地提高治疗效果。
在检查癌症是否已扩散到淋巴结时，医生通常依靠哨点淋巴结活检（SLNB）。该过程包括在癌症部位附近注射染料和放射性溶液，以识别先流入肿瘤区域的哨点淋巴结。然后，这些结节被手术切除并进行活检。如果在哨点淋巴结中发现癌细胞，则表明癌症正在扩散到淋巴系统并可能进一步扩散。这些信息有助于医生确定最适合患者的治疗方法。
虽然 SLNB 是一种经过验证的方法，但它具有侵入性，并且存在与麻醉、辐射暴露、肿胀、疼痛和切口附近活动受限有关的风险。
为了创造一种无创且可靠的 SLNB 替代方案，研究人员开发了一种定制的四维卷积神经网络（4D CNN）。他们使用动态对比增强型 MRI（DCE-MRI）以及 350 名近期被诊断患有乳腺癌并扩散到淋巴结的女性的临床数据集来训练模型。
研究人员使用 Nucleus 计算集群 （德克萨斯大学西南医学中心高性能计算基础设施的一部分），利用 NVIDIA A100 Tensor Core 和 NVIDIA V100 Tensor Core GPU 构建和训练复杂的 4D 深度学习模型。
“我们构建的深度学习模型是一个复杂的 4D 模型，GPU 对于我们实现高训练吞吐量以及用于图像增强和降噪的数据预处理流程至关重要，”NVIDIA 高级 HPC 工程师 Paniz Karbasi 说。他是研究的共同作者，也曾是德克萨斯大学西南医学中心的计算科学家。
该 AI 模型可处理四个维度的数据，检查 3D MRI 扫描数据，同时考虑随时间变化的变化。该模型通过分析多张随时间变化的图像并集成年龄、肿瘤等级和乳腺癌标记等临床数据，了解肿瘤和附近淋巴结的特征。通过这样做，它可以准确识别无癌或受癌症影响的淋巴结的模式。
“我们的研究最重要的方面是，对于成像数据，我们只关注与原发肿瘤相关的数据，而不需要任何额外的轴向成像。”研究主创作者 Dogan Polat 说，他是西奈山医疗系统介入放射学的住院医师。Polat 博士在德克萨斯大学西南医学中心领导这项研究。Polat 博士说：“我们的目标是减少对额外成像的需求，并减少患者的侵入性手术数量。”
它识别淋巴结转移的准确率为 89%，优于放射科医生和其他基于成像的模型。它还可以防止乳腺癌患者进行不必要的切除手术和轴淋巴结清扫术（ALND），减少与手术相关的风险、并发症和资源。
Polat 表示，研究人员的下一步包括部署模型来收集真实数据，以验证其有效性，并找出需要进一步改进和更广泛应用的领域
阅读研究 《乳腺癌中淋巴结转移的机器学习预测 ： 基于 MRI 的多机构 4D 卷积神经网络的性能》
