條文本

下載PDF

測量的挑戰:國際病例對照協議比較乳腺預測乳腺癌風險的措施
  1. Evenda Dench1,
  2. 丹妮拉Bond-Smith2,
  3. 艾莉達1,
  4. 格蘭特李3,
  5. 你們K昂3,
  6. 阿麗亞娜陳4,
  7. Jack Cuzick5,
  8. 澤Y叮6,
  9. 克裏斯•埃文斯F3,
  10. 詹妮弗·哈維7,
  11. 拉爾夫Highnam4,
  12. Meng-Kang謝長廷8,
  13. Despina Kontos8,
  14. 帥李3,
  15. Shivaani Mariapun9,10,
  16. 卡洛琳Nickson3,11,
  17. 盯上了L阮3,
  18. 說Pertuz12,13,
  19. Pietro普•羅科皮3,11,
  20. 娜迪婭拉賈拉姆9,10,
  21. 凱西Repich7,
  22. 瑪克辛譚6,14,
  23. Soo-Hwang張誌賢9,
  24. Nhut Ho陳3,
  25. gisk Ursin15,
  26. 曹國偉王16,
  27. 伊莎貝爾dos-Santos-Silva17,
  28. 瓦萊麗·麥科馬克18,
  29. 麥斯尼爾森19,
  30. 約翰牧羊人20.,
  31. 約翰L料鬥3,
  32. 詹妮弗石頭1
  1. 1健康和疾病的遺傳起源中心,西澳大利亞大學,克勞利,澳大利亞西部、澳大利亞
  2. 2學校人口和全球健康,西澳大利亞大學,克勞利,澳大利亞西部、澳大利亞
  3. 3中心的流行病學和生物統計學,墨爾本大學的人口和全球健康,墨爾本,維多利亞、澳大利亞
  4. 4科學和技術,Volpara衛生技術,惠靈頓、新西蘭
  5. 5癌症預防中心沃爾夫森學院預防醫學,倫敦大學瑪麗皇後,倫敦、英國
  6. 6電子和計算機係統工程、工程學院,莫納什大學校園——馬來西亞,班達爾三維力控,雪蘭莪州、馬來西亞
  7. 7放射學和醫學成像,維吉尼亞大學,夏洛茨維爾,維吉尼亞州美國
  8. 8美國放射學,賓夕法尼亞大學佩雷爾曼醫學院,費城,賓西法尼亞美國
  9. 9癌症研究馬來西亞,運動員,雪蘭莪州、馬來西亞
  10. 10應用數學,工學院,諾丁漢大學馬來西亞校區,Semenyih,雪蘭莪州、馬來西亞
  11. 11癌症研究部門,新南威爾士癌症委員會,悉尼,新南威爾士,Austalia
  12. 12信號處理實驗室,坦佩雷理工大學,坦佩雷,畢卡、芬蘭
  13. 13連通性和信號處理組,大學工業桑坦德,布卡拉曼加、哥倫比亞
  14. 14電氣和計算機工程學院,奧克拉荷馬大學諾曼校園,諾曼,俄克拉何馬州美國
  15. 15挪威癌症登記處,奧斯陸、挪威
  16. 16教師的健康、社會關懷和教育,金斯頓大學和聖喬治倫敦大學,Kingston-Upon-Thames,倫敦、英國
  17. 17非傳染性疾病流行病學,倫敦衛生和熱帶醫學學院的,倫敦,倫敦、英國
  18. 18的環境和輻射,國際癌症研究機構,研究,裏昂、法國
  19. 19哥本哈根大學,哥本哈根、丹麥
  20. 20.夏威夷大學癌症中心,火奴魯魯,夏威夷美國
  1. 對應到詹妮弗博士石頭;jennifer.stone在{}uwa.edu.au

文摘

介紹女性的年齡和身體質量指數,增加乳腺密度是乳腺癌風險最重要的預測因子之一。有多種方法測量乳房x光檢查乳腺密度和其他特性,可以用於篩選設置識別和目標的女性患乳腺癌的風險很高。然而,目前還不清楚哪種測量方法提供了最強有力的預測乳腺癌的風險。

和分析方法建立了測量挑戰作為國際資源提供一組通用的匿名的乳房x光成像進行測量和分析。迄今為止,全野外數字的乳房x光成像和核心數據來自五個國家的1650例病例和1929例對照比較。測量的挑戰是一個正在進行的合作,我們正在繼續擴大資源在不同的人群中包括其他圖像集(貢獻者)和比較額外的測量方法(挑戰者)。測量的使用意圖挑戰資源優化和驗證新的和現有的乳房攝影測量方法。測量挑戰資源提供了一個標準化的數據集的乳腺圖像和核心數據,使得調查人員直接比較的方法測量乳腺密度或其他乳腺功能,以防/控製集原材料的圖片,為了比較他們的預測乳腺癌的風險。

道德和傳播挑戰者和貢獻者需要進入一個與墨爾本大學的科研合作協議前參與測量的挑戰。挑戰的數據庫整理數據和圖像存儲在一個安全的數據存儲庫在墨爾本大學。倫理批準測量挑戰是墨爾本大學舉行(0931343.3 HREC ID)。

  • 乳房x光檢查
  • 乳腺密度
  • 乳腺癌
  • 乳房成像
  • 乳腺腫瘤

這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/

來自Altmetric.com的統計

請求的權限

如果你想重用任何或所有本文的請使用下麵的鏈接,這將帶你到版權稅計算中心的RightsLink服務。你將能夠獲得快速的價格和即時允許重用內容在許多不同的方式。

本研究的優點和局限性

  • 測量的挑戰是一個獨特的帶注釋的資源,使及時、迅速的比較不同的乳房攝影測量方法應用於全部字段數字乳房x光成像,從而有力的評估測量方法提供了最好的預測乳腺癌的風險在不同篩選設置。

  • 測量挑戰目前包括匿名乳腺圖像和核心數據從五個不同的樣本1650例病例和1929例對照人群。

  • 測量的挑戰是一個正在進行的合作,我們正在繼續擴大資源在不同的人群中包括其他圖像集(貢獻者)和申請額外的測量方法(挑戰者)。

  • 測量的挑戰提供了急需的標準化數據集來改善和評估新的或現有的乳房攝影測量方法,但目前動力不足檢查乳腺措施和乳腺癌風險之間的關係在非歐洲/高加索人群。

介紹

乳房x光成像是當前標準基於人群的篩查乳腺癌女性40歲或以上。女性的年齡和身體質量指數(BMI)、乳腺密度增加乳腺癌風險最重要的預測因子之一。1 - 3有多種方法測量乳腺密度和乳房x光檢查的其他特性,可以用於篩選環境識別和目標的女性患乳腺癌的風險很高。然而,目前還不清楚哪種測量方法提供了最強有力的預測乳腺癌的風險。

測量的挑戰是一個國際資源,提供一組通用的原料和/或全磁場處理數字乳房x光片進行測量和分析。通過提供一個帶注釋的數據集的乳房x光成像和核心數據,這些資源將使調查人員能夠直接比較測量方法或其他乳腺乳腺密度特性預測乳腺癌的風險。

發起於2016年,測量挑戰整理完整場數字乳房x線照片圖像和核心數據從1650例病例和1929例對照5個國家(澳大利亞、馬來西亞、挪威、英國和美國)。圖像被隨機劃分形成訓練集和驗證集挑戰測量。歡迎進一步的貢獻。

目前有八個挑戰者研究小組測量方法應用於資源數據集。這些包括完全自動化的方法(即AutoDensity, BIOMEDIQ DeepRisk,個性化乳房Radiodensity實驗室評估(天秤座),MMTEXT, OpenBreast V.1.0和VolparaDensity)和半自動的方法(即積雲,包括高積雲和卷積雲)。

測量的挑戰是一個正在進行的合作和我們正在繼續擴大資源在不同的人群中包括其他圖像集和申請額外的測量方法。需要更多的圖像集提高統計能力和提供足夠的數據地址之間的不兼容性測量方法和圖像類型和/或製造商。

池的潛在好處和標準化乳腺圖像從不同人群包括提供大量的圖片來改善和評估新的或現有的乳房攝影測量方法。我們預計,測量的挑戰將成為一個獨特的帶注釋的資源及時提示不同的乳房攝影測量方法的比較,目的是確定乳腺措施,最好的預測乳腺癌風險在不同的篩選設置。鑒於乳腺密度的增加計量和報告在國際上,確定最佳的測量方法/ s歧視婦女誰會或不會被診斷出患有乳腺癌在未來可以顯著改善現有的風險預測模型,並最終幫助提高效率和有效性進行篩查項目的女性根據風險。實現日常的成本和減輕乳房攝影測量在當地臨床設置將取決於每個篩查項目的需求和特性。

和分析方法

作為第一階段的測量的一部分挑戰,全磁場數字從1650例乳房x光成像和核心數據和1929名對照比較。資源已經從五個貢獻研究整理在澳大利亞、馬來西亞、挪威、英國和美國(今後貢獻者)。病例對照圖像集的貢獻者和調查人員感興趣的應用他們的測量方法(今後挑戰者)需要輸入與墨爾本大學的科研合作協議前參與測量的挑戰。

數據從現有的流行病學病例對照研究或嵌套病例對照研究。對於前者,診斷或prediagnostic乳房x線照片獲得了例類似的乳房x光成像獲得控製。嵌套病例對照研究,乳房x光檢查的時候進入隊列和事件癌症診斷後1年內使用基線屏幕-乳房x光檢查排除,以避免屏蔽偏見或假陰性。控製選擇為每個研究略有不同(參考資料中提供表1);至少,事後控製頻率匹配年齡。

表1

特征可用的圖像和數據測量的挑戰

表1描述了乳腺圖像數據可用的貢獻者,日期。兩種原材料圖片可供1003例病例和1283例對照;處理圖片可供1650例病例和1929例對照。每年的核心參與者數據包含在乳房x光檢查,出生年份,采訪中,BMI在乳房x光檢查和種族。乳腺癌病例,診斷乳腺癌的一側,一年也可以。額外的圖像數據包括一側,視圖和乳房x光檢查機製造商。

匿名乳腺圖像和核心數據可用於挑戰者感興趣的應用他們在兩組的測量方法。從每個源圖像是隨機劃分(50:50)兩個由病例對照狀態(分層)和分配給一個“測試集”或“驗證設置”。測試集是用於煉油新測量方法或培訓的目的,和相應的核心數據包括乳腺癌的地位。是可用的指定時間內的所有挑戰者。驗證為測量提供驗證和相應的核心數據不包括任何信息關於乳腺癌的地位。兩組圖像安全地轉移到挑戰者的測量使用他們的方法(允許多個方法)。

迄今為止,八個挑戰者來自澳大利亞、丹麥、芬蘭、馬來西亞、新西蘭、英國和美國訪問核心數據測量的挑戰。測量方法包括AutoDensity,4BIOMEDIQ,5積雲(新寧女子醫院,多倫多加拿大),包括高積雲和卷積雲,6DeepRisk,天秤座,7MMTEXT,8OpenBreast V.1.09和VolparaDensity。10AutoDensity自動預處理圖像通過識別乳腺癌區域使用閾值算法(根據頭信息可用,或者通過迭代優化),去除背景物體圖像標記和圖像采集等文物,然後降低噪聲,提高圖像的對比。AutoDensity然後段乳房區域密集和non-dense組織通過確定最優強度閾值,輸出圖像文件的乳房區域和致密組織數據表包括圖像/標識符的女人,乳房,密集的區域和百分比密度。BIOMEDIQ是deep-learning-based乳腺texture-based風險評估。深度學習框架有一個五卷積神經網絡映射乳腺癌症風險評分的補丁。積雲措施在先後定義乳腺密度更高的像素亮度閾值。DeepRisk使用deep-learning-based方法估計乳腺癌風險在乳房x光片。深度學習與其他先前方法的不同之處在於,它使用deep-learning-based方法自動確定和提取有用的特性不依賴手工提取特征的專家。天秤座是一個自適應模糊c multicluster分割算法。MMTEXT算法,圖像首先被裁掉了,11導致一個新的圖像的每個像素都有一個更大的比原來的物理區域。基於灰度co-occurance矩陣應用灰度共生矩陣建立()形成在每個圖像像素在乳房區域內,應用灰度共生矩陣建立和彙總統計(平均總和)計算出預測。OpenBreast V.1.0為乳腺癌是一個開放的軟件風險評估基於完全自動化的實質分析乳腺圖像。實質執行分析通過應用計算機紋理描述符在每個乳房x光檢查,其次是逐步特征選擇允許一階之間的交互功能。Volpara算法使用了一個內部脂肪參考點的乳房x光檢查每個像素的強度轉換為一個fibroglandular組織的厚度。

所有挑戰者都必須提供的測量驗證設置在西澳大利亞大學的統計分析。統計標準評估和比較每個測量方法的性能分析協議的概述中描述如下,並將完成的統計沒有既得利益的結果。

分析協議的概述

準備的數據分析,我們排除所有情況下影響乳房的圖片。我們也確保類似的年齡分布在病例和控製。年齡頻率匹配執行隨機滾動5年時間間隔內,分別由每個圖像類型和來源。

對於大多數女性來說,四個乳房x線照片是可用的(即雙方和視圖)。如果多個測量已經提交了同一個人,我們平均分別為每個圖像類型。VolparaDensity挑戰者提供了一個特定的自定義平均使用。細節可以根據要求提供關於其計算。

並不是所有的挑戰者可以測量每個圖像由於圖像類型和/或質量;測量比例將由技術報道。一個完整的數據集,其中包含所有圖片,每一個挑戰者可以測量用於主要分析。此外,我們還為每個單獨運行所有計算挑戰者使用這個特定的挑戰者號提交的所有圖片。

使用邏輯回歸來估計乳房攝影測量和乳腺癌風險之間的關聯為每個方法,對圖像進行了統計處理類型(原材料或加工)。協變量調整包括年齡、BMI、機器製造商和來源。

Box-Cox轉換用於更好的近似常態,

嵌入式圖像

其中x是乳房攝影測量和λ是選擇概要文件的可能性最大化x的線性模型。λ的值獲得,用於轉換將為每個測量方法報道。

我們在乳房x光片測量和計算標準單位增加口服補液鹽每調整口服補液鹽SD(歌劇)。1計算歌劇,控製人口乳腺協變量調整措施退化。標準化殘差的回歸是一個調整和獨立的乳房攝影測量,有效地控製關鍵人口差異,加強我們的能力比較口服補液鹽在測量方法。歌劇是用於計算任何進一步的評估指標。

以下對診斷統計評估:

Akaike信息準則(AIC):對外是一個診斷統計來自信息理論。它計算的兩倍最大化對數似+參數的數量的兩倍。AIC是一個相對的數據捕獲信息損失,相對於沒有乳房攝影測量的參考模型。AIC越小,模型越強。

荊棘得分:荊棘分數可以用作校準測量反映了損失函數。它是作為殘差平方的平均值計算。再次,模型荊棘得分最低的優先。

接受者操作曲線下麵積(AUC): AUC是衡量病例和控製之間的歧視。ROC曲線想象之間的權衡的敏感性和特異性想起飛機上由敏感性和1-specificity豎起來。更高的AUC意味著一個更好的分類。他們使用梯形積分法計算。我們還將報告一個CI 1000年AUC引導迭代。

部分AUC (pAUC):我們還將報告pAUC關注部分的接受者操作特征(ROC)曲線在0.9和1之間(高pAUC)和0和0.1(低pAUC)之間。獨聯體將計算總AUC和報道。

協變量調整的AUC (AAUC):共AAUC可以調整。分析乳腺measure-breast癌症協會、年齡、BMI混雜因素至關重要。協變量調整AUC考慮到可能影響乳房攝影測量的控製分配的潛在概率閾值之間差別的情況下和控製是模擬隨年齡和體重指數。

淨重新分類指數(NRI):(連續)NRI反映情況下正確的比例分配更高的患乳腺癌的風險和控製正確分配一個降低患乳腺癌的風險,當從一個空模型包括一個乳房攝影測量作為一個預測。它計算的總和NRIcases NRIcontrols, NRIcases哪裏的比例情況下,經驗的增加乳腺癌風險-比例減少,而NRIcontrols的比例控製與減少-比例增加乳腺癌的風險。

集成歧視改善(伊迪):伊迪計算類似的新名詞,IDIcases / IDIcontrols代表預測癌症風險的均值之間的差異從一個模型包含一個乳房攝影測量作為一個參考模型的預測,平均風險概率沒有乳房攝影測量為例/控製,分別。這意味著IDIcases捕獲兩個模型的平均敏感度的差異,同樣,IDIcontrols代表平均1-specificity的差異。

比較:我們還將測試auc的平等使用auc。所報道的所有可能的個人比較P值的方法通過乳房x光檢查類型以及聯合比較乳房x光檢查的所有方法類型(平等的auc測試)。因此,小型p值表明,挑戰者的方法產生明顯不同的結果。

其他注意事項:需要大樣本大小來促進分層類型的圖像(如加工和原料;機製造商)和種族。資源包括診斷和prediagnostic乳房x光檢查,隻有側乳房x光片是用於乳腺癌病例。

病人和公眾參與

沒有病人參與這項研究。病人提供的數據和圖像貢獻者提供在一個匿名的格式,所以數據不能與個人信息。挑戰者同意把挑戰大學數據庫及其內容為機密信息(或挑戰貢獻者視情況而定);而不是試圖識別或確認的個人信息出現在圖像和數據。

道德和傳播

測量的挑戰是一個正在進行的合作,我們正在繼續擴大資源在不同的人群中包括其他圖像集(貢獻者)和申請額外的測量方法(挑戰者)。參與者被邀請提交大組病例對照乳腺圖像(原材料全部字段數字乳房x線照片)從一個範圍的人口,加上相應的核心數據定時的乳房x光檢查。每個貢獻者負責倫理批準和參與者同意各自的樣本的數量;預計書麵知情同意,除非獲得知情同意的豁免。挑戰者被邀請他們的測量方法應用於驗證組病例對照圖片和提供中央的測量分析。所有貢獻者和挑戰者需要進入一個與墨爾本大學的科研合作協議前參與測量的挑戰。

整理數據和圖像的挑戰數據庫將被存儲在一個安全的數據存儲庫在墨爾本大學。

測量的挑戰正在組織一個國際委員會包括:JLH(墨爾本大學),JeS(西澳大利亞大學),喬斯(UCSF), ids (LSHTM)、MN(哥本哈根大學),VM (IARC)。合作或請求訪問的數據和圖像測量的挑戰,在jennifer.stone@uwa.edu.au聯係通訊作者。

額外的注意事項

測量的挑戰是一個獨特的帶注釋的資源,使及時、迅速的比較不同的乳房攝影測量方法應用於全部字段數字乳房x光圖像。然而,完整的字段數字乳房x光檢查不同的圖像類型(加工和未加工)和處理不同的機器製造商,可能引入係統性偏差風險估計。因此,需要更多的圖像集提高統計能力和提供足夠的數據地址之間的不兼容性測量方法和圖像類型和/或製造商。篩查項目參與者的種族不同,設備(如製造商)和篩選協議(例如,隻有一小部分存儲未經處理的圖像)。因此,我們比較不同乳腺措施在不同的篩選設置告知潛在用戶測量方法提供了最好的預測乳腺癌的風險。識別風險增加的女性由於高乳腺密度目標可以幫助那些可能受益於補充使用超聲篩查,MRI或其他形式。臨床試驗正在進行中,將決定以證據為基礎的篩選對致密乳房的女性的建議。

引用

腳注

  • 推特@excel_wang, @DrJenniferStone

  • 貢獻者JeS JLH,喬斯,ids, MN和VM組委會測量挑戰,做出實質性貢獻的概念或設計工作。JeH、SM、NR、KR S-HT,顧,ids和JLH階段1貢獻者的圖像和數據作出了實質性的貢獻數據的采集工作。GL有助於捕獲、重命名、安全挑戰和分布圖像,並參與設計並進行研究。DB-S古人進行統計分析和分析工作做出了巨大的貢獻。YKA, AC, JC, ZYD CFE, RH, M-KH, DK, SL, CN, TLN, SP, PP,太,3月,連續波、錳和JLH階段1的挑戰者作出了實質性的貢獻數據的解釋工作。EvD JeS準備手稿和所有作者修訂它至關重要的知識內容。所有作者提供了版本發布的最終批準和同意負責所有方麵的工作在確保相關問題的準確性或完整性的任何部分工作適當的調查和解決。

  • 資金作者並沒有宣布具體資助這項研究從任何公共資助機構,商業或非營利部門。

  • 相互競爭的利益沒有宣布。

  • 病人同意出版不是必需的。

  • 倫理批準倫理批準挑戰是墨爾本大學舉行(0931343.3 HREC ID)。

  • 出處和同行評議不是委托;外部同行評議。