基于卷积神经网络的模型的开发和验证,以预测乳腺癌患者中哨戒或非哨戒淋巴结转移的风险:一项机器学习研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 在乳腺癌中,手臂淋巴结解剖可能会导致有哨兵淋巴结 (SLN) 转移和非SLN (NSLN) 转移风险低的患者过度治疗.
• 准确的手术前预测SLN和NSLN转移对于个性化治疗规划至关重要.

研究的目的:

• 开发和验证一种自动化的深度学习工具,用于预测乳腺癌 (BC) 患者的SLN和NSLN转移.
• 通过使用动态对比增强磁共振成像 (DCE-MRI) 对临床和放射学方法进行深度学习模型的性能评估.

主要方法:

• 一个卷积神经网络 (CNN) 模型是使用三家医院988名BC患者的回顾性数据开发的.
• 该模型在不同的培训,内部验证和两个外部测试集中进行了训练和验证.
• 使用曲线下的面积 (AUC),精度,灵敏度和特异性来评估性能,并将CNN与临床和放射学方法进行比较.

主要成果:

• 在验证和测试组中,CNN模型显示了SLN转移 (AUC从0.768到0.899) 和NSLN转移 (AUC从0.728到0.800) 的强有力的预测性能.
• 该模型在预测小于2.0厘米的瘤转移方面表现良好.
• 美国有线电视新闻网模型显著降低了SLN预测的错误阳性率,从77.9%降至32.9%.

结论:

• 开发的CNN模型有效地预测了使用DCE-MRI的乳腺癌患者的SLN和NSLN转移.
• 这种基于人工智能的非侵入性工具有可能帮助外科医生做出针对乳腺癌的个性化关治疗决策,从而避免过度治疗.