乳がんリスクの予測機械学習アプローチを使用した地域保存投影アルゴリズムを埋め込んだ機械学習アプローチ

一連の効果的なマンモグラフィ画像機能を自動的に特定し、最適な乳がんリスク層別化モデルを構築するために、この研究は、局所保存予測（LPP）ベースの特徴の組み合わせと再生アルゴリズムを埋め込んだ機械学習アプローチを適用することの利点を調査することを目的としています。短期乳がんリスクを予測します。500人の女性から取得した陰性マンモグラムを含むデータセットが組み立てられました。このデータセットは、次の後続のマンモグラフィスクリーニングと250の低リスク症例で癌が検出された250の高リスク症例の2つの年齢層のクラスに分けられました。第一に、マンモグラムに描かれたセグメント線維灰色組織にコンピューター支援画像処理スキームが適用され、最初は左乳房と右乳房間のマンモグラフィ組織密度分布の両側の非対称性に関連する44の特徴を計算しました。次に、次のマンモグラフィスクリーニングで癌検出のリスクを予測するために、マルチフィーチャー融合ベースの機械学習分類器が構築されました。LLPアルゴリズムを埋め込んだ機械学習分類器を訓練およびテストするために、休暇1ケースアウト（LOCO）交差検証法を適用しました。結果は、このLPPが包埋された機械学習アプローチを使用すると、リスク予測の精度が9.7％増加することを示しました。調整されたオッズ比の増加傾向も検出され、オッズ比は1.0から11.2に増加しました。この研究は、LPPアルゴリズムを適用すると、特徴の次元が効果的に減少し、短期の乳がんリスクの予測においてより高い潜在的に堅牢なパフォーマンスが得られることを実証しました。

In order to automatically identify a set of effective mammographic image features and build an optimal breast cancer risk stratification model, this study aims to investigate advantages of applying a machine learning approach embedded with a locally preserving projection (LPP) based feature combination and regeneration algorithm to predict short-term breast cancer risk. A dataset involving negative mammograms acquired from 500 women was assembled. This dataset was divided into two age-matched classes of 250 high risk cases in which cancer was detected in the next subsequent mammography screening and 250 low risk cases, which remained negative. First, a computer-aided image processing scheme was applied to segment fibro-glandular tissue depicted on mammograms and initially compute 44 features related to the bilateral asymmetry of mammographic tissue density distribution between left and right breasts. Next, a multi-feature fusion based machine learning classifier was built to predict the risk of cancer detection in the next mammography screening. A leave-one-case-out (LOCO) cross-validation method was applied to train and test the machine learning classifier embedded with a LLP algorithm, which generated a new operational vector with 4 features using a maximal variance approach in each LOCO process. Results showed a 9.7% increase in risk prediction accuracy when using this LPP-embedded machine learning approach. An increased trend of adjusted odds ratios was also detected in which odds ratios increased from 1.0 to 11.2. This study demonstrated that applying the LPP algorithm effectively reduced feature dimensionality, and yielded higher and potentially more robust performance in predicting short-term breast cancer risk.