Deep learning analysis of hematoxylin and eosin-stained benign breast biopsies to predict future invasive breast cancer
Notice bibliographique
Résumé
BACKGROUND: Benign breast disease is an important risk factor for breast cancer development. In this study, we analyzed hematoxylin and eosin-stained whole-slide images from diagnostic benign breast disease biopsies using different deep learning approaches to predict which individuals would subsequently developed breast cancer (cases) or would not (controls). METHODS: We randomly divided cases and controls from a nested case-control study of 946 women with benign breast disease into training (331 cases, 331 control individuals) and test (142 cases, 142 control individuals) groups. We employed customized VGG-16 and AutoML machine learning models for image-only classification using whole-slide images, logistic regression for classification using only clinicopathological characteristics, and a multimodal network combining whole-slide images and clinicopathological characteristics for classification. RESULTS: Both image-only (area under the receiver operating characteristic curve [AUROC] = 0.83 [SE = 0.001] and 0.78 [SE = 0.001] for customized VGG-16 and AutoML models, respectively) and multimodal (AUROC = 0.89 [SE = 0.03]) networks had high discriminatory accuracy for breast cancer. The clinicopathological-characteristics-only model had the lowest AUROC (0.54 [SE = 0.03]). In addition, compared with the customized VGG-16 model, which performed better than the AutoML model, the multimodal network had improved accuracy (AUROC = 0.89 [SE = 0.03] vs 0.83 [SE = 0.02]), sensitivity (AUROC = 0.93 [SE = 0.04] vs 0.83 [SE = 0.003]), and specificity (AUROC = 0.86 [SE = 0.03] vs 0.84 [SE = 0.003]). CONCLUSION: This study opens promising avenues for breast cancer risk assessment in women with benign breast disease. Integrating whole-slide images and clinicopathological characteristics through a multimodal approach substantially improved predictive model performance. Future research will explore deep learning techniques to understand benign breast disease progression to invasive breast cancer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».