使用治疗前超声波和断层合成的多模式放射学可以预测乳腺癌新辅助全身治疗的反应吗?

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 对新辅助全身治疗 (NAST) 的准确反应评估对于量身定制乳腺癌治疗至关重要.
• 在开始治疗之前预测病理完整反应 (pCR) 允许个性化治疗策略.

研究的目的:

• 开发和验证一个智能算法,用于预测乳腺癌中PCR到NAST.
• 将超声波和图解合成的多式预处理放射学特征与临床变量相结合.

主要方法:

• 分析了720名接受NAST治疗的乳腺癌患者的回顾性队列.
• 一个支持向量机算法是使用治疗前超声波和图解合成放射学特征,以及临床和瘤变量开发的.
• 使用曲线下的面积 (AUC) 和假负率 (FNR) 评估算法的性能,与基因病理学相比.

主要成果:

• 与单独的临床变量相比,多模式放射学和临床算法实现了0.81的显著改善的AUC (AUC 0.72,p = 0.007).
• 该算法显示低假阴性率 (FNR) 为6.7%,识别了残留癌症患者.
• 关键的放射学预测因素包括表面/体积比 (体质合成) 和周围内 (超声波);临床预测因素是荷尔蒙受体和HER-2状态.

结论:

• 结合临床,超声波和图解合成放射学的多模模式机器学习算法有效预测NAST后的残留疾病.
• 这种预测工具有可能指导个性化的NAST方案,等待未来的验证.
• 这些发现突显了多式联络放射学在改善乳腺癌治疗反应评估方面的价值.