AI Quantified Tissue Factors from Breast MRI and the Risk of Breast Cancer
Notice bibliographique
Résumé
To improve high-risk Breast Cancer (BCa) screening, patients must be classified into more specific subgroups based on tissue factors found in breast Magnetic Resonance (MR) imaging. Screening programs often adopt a universal approach for high-risk women, which may not account for individual risk levels. For example, it has been observed that high-risk women with BRCA1 mutations have a greater likelihood of developing tumours quickly and experiencing interval cancers compared to women with a family history but no confirmed genetic mutation. Because these patientsare typically screened with MR imaging, breast density and Background Parenchymal Enhancement (BPE), a measure of blood circulation and hormonal exposure, can aid in assessing the risk of BCa in high-risk women. Some significant challenges are the absence of an accurate quantitative method and the necessity to examine fluctuations during menopause. At Sunnybrook Research Institute, we have the unique opportunity to analyze personalized tissue trends in a high-risk screening group receiving annual MR imaging screenings, including patients who have undergone 10 or more years of the program. We aim to develop proper measurement tools, investigate longitudinal fluctuations, and measure risk on a case-control dataset from this database. By utilizing large language models, patient records and radiology reports were analyzed comprehensively. Validated AI models and quantitative methods were developed, exhibiting a strong correlation with radiologist interpretations. It was uncovered that post-menopausal women at high risk face a strong risk for BCa associated with both quantitative density and BPE, as quantitative measurements decrease over menopause. These results could aid in developing personalized screening guidelines and assisting in complex preventative decisions like chemoprevention, prophylacticmastectomy or oophorectomy. These advancements have the potential to enhance the quality of care for women who are at risk of developing BCa.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».