マルチシーケンスのMRI放射学と生息地のイメージングを統合した融合モデルは,ネオアジュヴァント療法で治療された乳がんにおける病理的完全な応答を予測する
Shaojie Xu1, Yushi Ying1, Qilan Hu2
1Department of Thyroid and Breast Surgery, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, Hubei, People's Republic of China.
まとめ
MRI放射学,ディープラーニング,および生息地のイメージングを統合した新しいモデルは,ネオアジュバント療法 (NAT) を受ける乳がん患者の病理的完全応答 (pCR) を正確に予測します. この融合モデルは 個別化された治療決定のための 非侵襲的なツールを提供します
科学分野:
- 腫瘍学
- 放射線科
- 人工知能
背景:
- ネオアジュヴァント療法 (NAT) を受けている乳がん患者は,病理的完全応答 (pCR) の正確な予測を必要とします.
- 現在の予測方法は,腫瘍の異質性や治療への反応を完全に捉えることはできません.
- マルチモダルの画像データを統合することで 予測の精度が向上する可能性があります
研究 の 目的:
- NATを受けている乳がん患者におけるpCRの予測モデルを開発し,検証する.
- マルチシーケンスのMRI放射学と ディープラーニング機能と ハビタット画像の統合により 予測が向上します
- 臨床適用のためのモデルの性能と解釈性を評価する.
主な方法:
- NATで治療された203人の乳がん患者の遡及分析.
- マルチシーケンスのMRI (T2WI,DWI,DCE-MRI) と生息地のイメージング分析から放射線特性の抽出.
- ROC,PR曲線,DCA,および解釈能力技術 (SHAP,LIME) を使用した融合機械学習モデルの開発と検証.
主要な成果:
- 融合モデルは,テストセットで0. 913のAUCで優れた予測性能を示した.
- シングル・リージョンモデルと比較して,精度・リコールバランスの改善とより高い臨床効果が観察されました.
- SHAP分析は,pCR予測に影響を与える主要な放射性特性を特定し,モデルの解釈性を向上させました.
結論:
- 多次元MRI機能と生息地のイメージングを統合することで,乳がんにおけるpCR予測を大幅に改善します.
- 開発された融合モデルは,個別化されたネオアジュバント治療戦略を導くための強固で非侵襲的なツールとして機能します.
- SHAPとLIMEによるモデルの解釈は,臨床的信頼と応用をサポートします.
