基于ABVS的放射学用于早期预测乳腺癌患者新辅助化疗的疗效

相关实验视频

Updated: Jul 18, 2025

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

Wei Jiang¹, Xiaofei Deng¹, Ting Zhu¹

¹Department of Ultrasound, Huazhong University of Science and Technology Union Shenzhen Hospital (Nanshan Hospital), Shenzhen, Guangdong province, People's Republic of China.

Breast cancer (Dove Medical Press)

|August 21, 2023

概括

这项研究开发了一种自动乳腺体积扫描仪 (ABVS) 放射学模型,用于预测乳腺癌 (BC) 患者的新辅助化疗 (NAC) 反应. 后NAC模型显示出卓越的准确性,使个性化治疗策略成为可能.

科学领域:

医疗成像医学成像
在瘤学瘤学.
人工智能在医学中的应用

背景情况:

新辅助化疗 (NAC) 对乳腺癌 (BC) 具有至关重要的作用,但疗效有变化.
目前用于评估NAC反应的方法往往会延迟或不准确.
放射学为个性化BC治疗提供了潜力,但对于早期NAC反应预测的研究不足.

研究的目的:

开发基于自动乳房体积扫描仪 (ABVS) 的放射学模型,用于早期检测亚最佳NAC反应.
为乳腺癌患者提供个性化治疗策略.
通过及时干预,改善治疗结果.

主要方法:

对248名接受NAC.治疗的乳腺癌患者的回顾性分析.
从使用PyRadiomics获得的NAC前后ABVS图像中提取放射性特征.
训练和验证后勤回归,支持矢量机和使用五倍交叉验证的随机森林分类器.
使用歧视,校准和临床效用指标评估模型性能.

主要成果:

后NAC放射学分类器实现曲线下的面积 (AUC) 约为0.9,显示出优异的区分.
预先NAC分类器显示中度歧视,AUC在0.7和0.8.8之间.
决策曲线分析表明,在超过40%的值概率下,NAC后模型具有显著的临床实用性.

结论:

基于ABVS的放射学模型可以有效地预测乳腺癌患者的亚最佳NAC反应.
使用NAC后成像分类器的早期预测与NAC前分类器相比,提供了更好的区分和临床实用性.
这种方法有望加强个性化治疗,改善乳腺癌管理中的患者结果.

关键词:

自动化乳房体积扫描仪乳腺癌乳腺癌乳腺癌模型验证比较模型验证比较新辅助性化疗是一种新辅助性化疗.预测模型预测模型无线电学 (radiomics) 是一种无线电学.

更多相关视频

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics

Published on: January 8, 2018

相关概念视频