2023年6月，青岛大学团队在 Journal of Magnetic Resonance Imaging 发表了题为Attention-based Deep Learning for the Preoperative Differentiation of Axillary Lymph Node Metastasis in Breast Cancer on DCE-MRI的研究。
背景：以前的研究探讨了原发性乳腺癌肿瘤的放射组学特征识别腋窝淋巴结 （ALN） 转移的潜力。然而，深度学习 （DL） 在识别 ALN 转移方面的价值仍不清楚。
目的： 探讨所提出的基于注意力的 DL 模型在动态对比增强 MRI （DCE-MRI） 上术前鉴别乳腺癌 ALN 转移的潜力。
方法：共有 941 例术前接受 DCE-MRI 的乳腺癌患者被纳入训练 （742 例患者） 、内部测试 （83 例患者） 和外部测试 （116 名患者） 队列。提出了一种包含 3D 深度残差网络 （ResNet） 架构和卷积块注意力模块的 DL 模型，名为 RCNet，用于 ALN 转移识别。基于图像上的肿瘤、 ALN 和联合肿瘤-ALN 区域建立了 3 个 RCNet 模型。将这些模型的性能与 ResNet 模型、放射组学模型、纪念斯隆-凯特琳癌症中心 （MSKCC） 模型和三名放射科医生 （WL、HS 和 FL） 进行了比较。乳腺肿瘤和 ALN 分割的 Dice 相似系数。ALN 分类的准确性、敏感性、特异性、互相关系数和相关内系数、曲线下面积 （AUC） 和 Delong 检验。
结果： 最优 RCNet 模型，即 RCNet-肿瘤+ALN，在内部测试队列中实现了 0.907 的 AUC、0.831 的准确度、0.824 的灵敏度和 0.837 的特异性，在外部测试队列中实现了 0.852 的 AUC 、 0.828 的准确度、 0.792 的敏感性和 0.853 的特异性。此外，在 RCNet 的帮助下放射科医生的表现得到改善 （外部测试队列，P < 0.05）。
结论：基于 DCE-MRI 的 RCNet 模型可为乳腺癌术前识别 ALN 转移提供无创辅助工具，从而帮助放射科医生更准确地评估 ALN 状态。
图3 所建立模型在不同队列中的受试者工作特征曲线。
图4 RCNet的可视化肿瘤+ALN 2例。每个示例显示灰度MR图像和对应的热图，红色区域表示较大的权重，可以通过右侧的颜色栏进行解码。（a）a51岁女性浸润性导管癌腋窝淋巴结（ALN）转移，其中RCNet肿瘤+ALN和两位放射科医师正确预测ALN转移；（b）1例46岁女性，浸润性导管癌，无ALN转移，在RCNet中肿瘤+ALN的预测是正确的，而两位放射科医生没有。
