Глубокое обучение с переносом для выявления кальцинатов артерий молочной железы на маммограммах: сравнительное исследование

Введение: Кальцинаты артерий молочной железы (BAC) — частая случайная находка при плановой маммографии; предполагается, что они могут служить биомаркером сердечно-сосудистого риска, специфичным для женщин. Ранее была показана эффективность предварительно обученной сверточной нейронной сети VCG16 для автоматического выявления BAC. В настоящем исследовании метод дополнительно оценили, сравнив его с десятью другими сверточными нейронными сетями.

Методы: В это ретроспективное исследование включили стандартные маммографические исследования в четырех проекциях 1493 женщин. Эксперты классифицировали их как содержащие или не содержащие BAC. Для бинарной классификации BAC сравнили 11 предварительно обученных сверточных нейронных сетей различной глубины, относящихся к пяти архитектурам: Xception, VGG, ResNetV2, MobileNet и DenseNet. Модели дообучали для решения этой задачи. Эффективность оценивали по площади под ROC-кривой (AUC-ROC), F-мере (гармоническому среднему точности и полноты) и с помощью обобщённой карты активации классов с градиентным взвешиванием (Grad-CAM++) для визуальной интерпретации¹.

Результаты: BAC выявили у 194 из 1493 женщин (13,0%) и на 581 из 5972 изображений (9,7%). Среди переобученных моделей наиболее перспективные результаты показали VGG, MobileNet и DenseNet: AUC-ROC превышала 0,70 как на обучающей, так и на независимой тестовой выборке. По F-мере на тестовой выборке первое место заняла VGG16; её результат был выше, чем у MobileNet (0,51) и VGG19 (0,46). При качественной оценке тепловые карты Grad-CAM++, созданные VGG16, стабильно превосходили результаты остальных моделей: они точнее выделяли участки кальциноза и лучше позволяли отличать их от окружающих тканей¹.

Выводы: Глубокое обучение с переносом показало перспективность для автоматического выявления BAC на маммограммах. Сравнительно неглубокие нейронные сети продемонстрировали более высокую эффективность, требуя меньше времени на обучение и вычислительных ресурсов.

Значимость: Глубокое обучение с переносом может повысить частоту выявления BAC при описании маммограмм и способствовать разработке эффективных инструментов стратификации сердечно-сосудистого риска у женщин на основе крупномасштабных программ маммографического скрининга.

Основные положения: Для выявления BAC на маммограммах сравнили различные предварительно обученные сверточные нейронные сети. VGG и MobileNet показали перспективные результаты и превзошли более глубокие и сложные модели. Визуализация с помощью Grad-CAM++ продемонстрировала преимущество VGG16 в локализации BAC.