使用放射学和机器学习方法从MRI图像中描述乳腺瘤

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 准确的乳腺癌亚型 (组织学和免疫组织化学) 对于治疗计划至关重要.
• 活检是侵入性的;正在探索基于MRI的放射学等非侵入性的替代方案.

研究的目的:

• 评估放射学和卷积神经网络 (CNN) 模型,以非侵入性地分类乳腺癌亚型和标记物.
• 为了比较不同MRI对比和分类方法的有效性.

主要方法:

• 利用T1加权的动态对比增强,对比减去的T1和T2加权的MRI数据来自429个乳腺瘤.
• 应用放射学和CNN模型用于分类雌激素受体 (ER),孕激素受体 (PR),HER2状态和侵入性导管癌 (IDC) 与侵入性叶状癌 (ILC).

主要成果:

• 获得的AUC为ER+与ER-的0.78和IDC与ILC分类的0.73.
• 多对比度MRI数据通常比单对比度数据产生更好的结果.
• 放射学和CNN模型显示了可比的性能.

结论:

• 核磁共振成像放射学和CNN显示出非侵入性分类ER状态和IDC/ILC亚型的前景.
• 多参数定量MRI可能会提高分类器的可靠性.
• 需要对更大的数据集进行进一步的研究,以进行PR和HER2分类.