机器学习算法的应用在预测手臂淋巴结从乳腺癌转移在手术前胸部CTCT上的应用

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:

• 轴心淋巴结 (ALN) 状态是乳腺癌管理中的关键预后因素.
• 使用对比增强CT (CECT) 评估ALN转移具有重大挑战.
• 机器学习 (ML) 在医学图像分析和识别任务中表现有前途.

研究的目的:

• 评估ML算法在预测乳腺癌患者ALN转移中的性能.
• 将主要瘤和ALN的CECT特征结合起来,以提高预测准确度.
• 为了确定ALN转移检测的最佳ML模型.

主要方法:

• 对266名接受手术前胸部CECT的乳腺癌患者进行了回顾性分析.
• 实施随机森林 (RF),极端梯度增强 (XGBoost) 和神经网络 (NN) ML算法.
• 使用递归特征消除 (RFE) 来进行特征选择和统计分析.

主要成果:

• 使用RFE的NN模型实现了最高的性能,AUROC为0.76±0.11和准确度为0.74±0.12.
• 与没有ALN特征的模型相比,将ALN特征纳入NN与RFE模型显著改善了预测性能.
• 从初级瘤和ALN的CET图像中预测ALN转移的能力.

结论:

• 使用CECT成像,ML算法可以有效地预测乳腺癌中的ALN转移.
• 开发的ML模型显示出区分良性与恶性ALN的潜力.
• 结合原发性瘤和ALN特征,提高了基于ML的预测模型的诊断准确性.