基于双模超声波和分子数据的深度学习模型,用于预测乳腺癌中对新辅助化疗的反应

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 预测乳腺癌新辅助化疗 (NAC) 反应对治疗选择至关重要.
• 目前的方法往往缺乏精度,需要改进的非侵入性生物标志物.

研究的目的:

• 开发和评估深层卷积神经网络 (CNN) 模型,用于预测乳腺癌患者的NAC反应.
• 为了比较放射学和CNN模型的疗效,使用B模式超声波 (BUS) 和剪波弹性图 (SWE).

主要方法:

• 对255名接受NAC.治疗的乳腺癌患者进行前性研究.
• 使用预处理BUS和SWE数据开发放射学和CNN (ResNet) 模型.
• 将双模超声数据与临床病理学特征集成为最终的预测模型.

主要成果:

• 预处理SWE在放射学和CNN模型中表现出比BUS更好的预测性能.
• CNN模型的表现优于放射学模型,BUS (0.72对0.69) 和SWE (0.80对0.77) 的AUC都更高.
• 综合双模超声波和分子数据的CNN模型实现了高精度 (83.60%),灵敏度 (87.76%) 和特异性 (77.45%).

结论:

• 使用双模超声波和分子数据的预处理CNN模型在预测NAC反应方面表现出色.
• 这种非侵入性模型具有作为客观生物标志物的潜力,以指导个性化乳腺癌治疗策略.