多因素的人工智能模型在经过新辅助化疗后的乳腺癌中协助下淋巴结手术:多中心回顾性队列研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 哨兵淋巴结活检 (SLNB) 的假阴性率 (FNR) 高,导致不必要的下淋巴结解剖 (ALND) 乳腺癌后新辅助化疗 (NAC).
• 开发先进的诊断工具对于改善外科手术决策和患者结果至关重要.

研究的目的:

• 开发和验证一个多因素的人工智能 (AI) 模型,用于预测状淋巴结 (ALN) 对NAC的反应.
• 评估AI模型在降低ALN转移检测的FNR的性能,与单独的SLNB相比.

主要方法:

• 总共有1038名患者在初级,外部验证和潜在队列中被纳入.
• 从NAC前后的MRI扫描中提取和分析了使用统计方法 (U测试,LASSO,Spearman) 的纵向放射学特征.
• 构建了一个机器学习堆叠模型来检测ALN转移,集成到人工智能辅助手术管道中.

主要成果:

• 人工智能堆叠模型表现出高性能,AUC为0.958 (初级),0.881 (验证) 和0.882 (前性).
• 在所有队列中,人工智能辅助手术显著降低了FNR,从14.88%降至4.13% (初级),16.55%降至4.05% (验证),13.64%降至4.55% (前性).
• 切除两个以上的哨兵淋巴结进一步降低了FNR,在潜在的队列中达到0%.

结论:

• 人工智能辅助手术在评估乳腺癌患者对NAC的ALN反应方面具有显著的潜力.
• 这种人工智能工具可以有效地减少不必要的ALND手术,提高手术精度和患者护理.