深層学習フレームワークによるノッティンガム組織学的グレード2乳癌の層別化：動的造影MRIに基づく

科学分野:

• 放射線科および医用画像処理;腫瘍学;医療における人工知能

背景:

• ノッティンガム組織学的グレード（NHG）は、乳癌の予後と治療にとって重要です。; NHG2腫瘍は、有意な生物学的異質性を示し、治療決定を複雑にし、過剰治療または過少治療の可能性につながります。

研究 の 目的:

• NHG2乳癌を層別化するための深層学習モデル（DeepRadGrade）を開発および検証すること。; このモデルの再発のない生存期間（RFS）予測における臨床的有用性を評価すること。

主な方法:

• 畳み込みニューラルネットワーク（CNN）は、NHG1からNHG3腫瘍を区別するために動的造影（DCE）MRIデータでトレーニングされました。; トレーニングされたモデルは、456のNHG2腫瘍をNHG1様（DRG2-）およびNHG3様（DRG2+）のサブグループに分類しました。; 再発のない生存期間は、標準的な予後因子を調整して、Kaplan-MeierおよびCoxモデルを使用して分析されました。

主要な成果:

• DeepRadGrade (DRG)は、トレーニング、テスト、および外部検証データセット全体で腫瘍グレードの識別において高いパフォーマンスを示しました（AUCは0.82から0.84の範囲）。; NHG2腫瘍のうち、315がDRG2-、131がDRG2+に分類されました。; DRG2+腫瘍を有する患者は、有意に予後不良なRFS（調整ハザード比=2.39、p=0.0059）を示し、再発リスクが高いことを示唆しています。; DRG分類の導入により、Coxモデルの予測精度が向上しました（C指数が0.68から0.73に増加）。

結論:

• ルーチンのDCE MRIに適用された深層学習は、再発リスクに基づいて臨床的に意味のあるサブグループにNHG2乳癌を効果的に層別化できます。; このAI駆動型アプローチは、中間グレードの乳癌における個別化されたリスク層別化のための費用効果の高い方法を提供します。; この発見は、DRG分類が治療戦略の最適化に役立ち、過少治療と過剰治療の両方を最小限に抑えることができることを示唆しています。