Applying a multi-task and multi-instance framework to predict axillary lymph node metastases in breast cancer
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Deep learning (DL) models have shown promise in predicting axillary lymph node (ALN) status. However, most existing DL models were classification-only models and did not consider the practical application scenarios of multi-view joint prediction. Here, we propose a Multi-Task Learning (MTL) and Multi-Instance Learning (MIL) framework that simulates the real-world clinical diagnostic scenario for ALN status prediction in breast cancer. Ultrasound images of the primary tumor and ALN (if available) regions were collected, each annotated with a segmentation label. The model was trained on a training cohort and tested on both internal and external test cohorts. The proposed two-stage DL framework using one of the Transformer models, Segformer, as the network backbone, exhibits the top-performing model. It achieved an AUC of 0.832, a sensitivity of 0.815, and a specificity of 0.854 in the internal test cohort. In the external cohort, this model attained an AUC of 0.918, a sensitivity of 0.851 and a specificity of 0.957. The Class Activation Mapping method demonstrated that the DL model correctly identified the characteristic areas of metastasis within the primary tumor and ALN regions. This framework may serve as an effective second reader to assist clinicians in ALN status assessment.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Applying a multi-task and multi-instance framework to predict axillary lymph node metastases in breast cancer
- Date Crossref
- 18/06/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Central South University Department of Pharmacy pays non établi dans la noticeUniversité ou école supérieure
-
Second Xiangya Hospital of Central South University pays non établi dans la noticeÉtablissement de santé
-
Hunan Provincial Center for Disease Control and Prevention pays non établi dans la noticeOrganisme public
-
Zhengzhou University pays non établi dans la noticeUniversité ou école supérieure
-
Henan Cancer Hospital pays non établi dans la noticeÉtablissement de santé
-
Hunan Provincial Engineering Research Centre of Translational Medicine and Innovative Drug pays non établi dans la noticeStructure de recherche
-
Clinical Research Center for Breast Disease in Hunan Province pays non établi dans la noticeStructure de recherche
-
School of Computer Science pays non établi dans la noticeUniversité ou école supérieure
Department of Pharmacy — Central South University, Second Xiangya Hospital of Central South University et Hunan Provincial Center for Disease Control and Prevention, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.