基于DCE-MRI的机器学习预测经过新辅助化疗后的乳腺保护手术候选人
Zhigeng Chen1, Manxia Huang1, Jianbo Lyu1
1Department of Radiology, the Second Hospital of Dalian Medical University, Dalian, China.
Frontiers in oncology
|August 25, 2023
概括
使用前后新辅助化疗 (NAC) 动态对比增强MRI (DCE-MRI) 的机器学习模型有效预测乳腺保护手术 (BCS) 候选人. 两个时间点的放射学特征显著提高了BCS适合性的预测准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 新辅助化疗 (NAC) 是乳腺癌的常见治疗方法.
- 预测对NAC的反应对于治疗计划和外科决定至关重要.
- 动态对比增强磁共振成像 (DCE-MRI) 提供了有关NAC.之后瘤变化的宝贵信息.
研究的目的:
- 研究一种机器学习方法,用于预测乳腺保护手术 (BCS) 候选人.
- 利用NAC前后的DCE-MRI数据进行预测.
- 确定与治疗反应和手术结果相关的放射学特征.
主要方法:
- 对75名接受了NAC和乳腺手术的患者进行了回顾性研究.
- 从NAC前后的DCE-MRIs中提取了3390个放射性特征.
- 开发后勤回归 (LR) 模型,将患者分为反应组 (病理完整反应与残留疾病).
- 用曲线下的面积 (AUC),精度,灵敏度和特异性来评估模型性能.
主要成果:
- 放射性特征与NAC后乳腺癌缩有显著的相关性.
- 使用NAC前后DCE-MRI的组合模型实现了0.82.8的AUC.
- 在NAC前和NAC后的模型中,AUC分别为0.64和0.70.
- 组合模型确定了15个关键特征,包括基于波形和拉普拉西安-高斯 (LoG) 的特征.
结论:
- 整合NAC前后DCE-MRI数据的机器学习模型可以有效地预测BCS候选人.
- 基于人工智能的决策支持可以提高临床安全和治疗规划.
- 高级放射学特征 (基于波纹的LoG) 对于准确的预测至关重要.
- 从NAC前后的DCE-MRI中获得的特征提供了卓越的预测性能.
