皮下脂肪预测乳腺癌骨转移:一种基于多模式的新型深度学习模型

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:

• 乳腺癌 (BC) 骨转移显著影响患者的预后和生活质量.
• 准确预测骨转移对于及时干预和个性化治疗策略至关重要.
• 目前的预测方法可能无法充分利用多式联络数据,包括成像和临床信息.

研究的目的:

• 开发和评估一种深度学习 (DL) 模型,用于预测乳腺癌 (BC) 患者的骨转移.
• 将临床信息与成像衍生特征集成,以提高预测准确度.
• 确定BC骨转移的关键预后因素.

主要方法:

• 收集了来自431名BC患者的CT成像和临床数据.
• 从CT图像中提取脂肪和肌肉组织特征 (HOG,LBP).
• 利用DL (CNN) 来从CT图像,HOG和LBP中获得网络特征,并与使用GBDT进行预测的临床数据相结合.
• 雇佣正规化的考克斯回归来确定独立的预后因素.

主要成果:

• 综合DL多式联络方法实现曲线下的面积 (AUC) 为0.922 (95%CI:0.843-0.964,P<0.01).
• 皮下脂肪指数被确定为BC骨转移的独立预后因素.
• 整合临床和成像特征的DL模型显示出卓越的预测性能.

结论:

• 皮下脂肪指数是乳腺癌患者骨转移的有价值预测指标.
• 基于深度学习的多式算法为评估BC骨转移提供了强大的工具.
• 这种方法有望改善风险分层,并指导BC管理中的临床决策.