用18F-FDG PET/CT深度学习模型预测局部晚期乳腺癌中新辅助化疗的病理完整反应

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:

• 新辅助化疗 (NAC) 是局部晚期乳腺癌 (LABC) 的标准.
• 在NAC后的病理完整反应 (pCR) 预测了改善的无病生存率 (DFS) 和整体生存率 (OS).
• 在诊断时准确预测pCR对于治疗计划至关重要.

研究的目的:

• 评估18F-FDG PET/CT成像使用深度学习对LABC患者pCR的预测能力.
• 开发一个深度学习模型来预测对NAC的治疗反应.

主要方法:

• 回顾性图表研究涉及31名LABC患者.
• 使用355个18F-FDG PET/CT扫描,用深度卷积神经网络 (CNN) 进行分析.
• 患者接受了NAC后的初级乳腺手术.

主要成果:

• 深度CNN模型在预测pCR时达到84.79%的准确性.
• 在31名患者中,有9名患者观察到pCR.
• 在预测治疗反应方面取得了显著的成功.

结论:

• 深度学习方法显示出预测乳腺癌治疗结果的巨大潜力.
• 使用人工智能对PET/CT扫描进行分析,可以帮助预测LABC的NAC后的PCR.
• 这项技术可能会促进乳腺瘤学中更个性化的治疗策略.