预测使用多参数MRI的深度学习对三阴性乳腺癌的新辅助全身疗法的病理完整反应
概括
这项研究开发了一个深度学习模型,使用MRI扫描来预测三阴性乳腺癌 (TNBC) 患者接受新辅助全身疗法 (NAST) 的治疗反应. 该模型在识别可能达到病理完整反应 (pCR) 的患者方面表现出高准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 三重阴性乳腺癌 (TNBC) 在治疗选择方面提出了重大挑战.
- 预测对新辅助全身疗法 (NAST) 的反应对于个性化治疗策略至关重要.
- 早期识别治疗响应者可以优化治疗决策并改善患者的治疗结果.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测TNBC患者对NAST的病理完整反应 (pCR).
- 使用多参数MRI数据评估模型的性能,包括动态对比增强 (DCE) MRI和扩散加权成像 (DWI).
- 评估该模型在TNBC管理中实现早期个性化治疗调整的潜力.
主要方法:
- 一个深度学习模型被训练并使用TNBC患者的串行DCE-MRI和DWI数据进行验证.
- 输入数据包括 doxorubicin/cyclophosphamide 治疗前治疗 (基线) 和后四个周期 (C4) 的MRI 扫描.
- 在训练,验证,测试和前性测试队列中,使用接收器运行特征曲线 (AUC) 下的面积来评估模型性能.
主要成果:
- 在所有队列中,DL模型实现了预测pCR (标准定义) 的高AUC,在测试组达到0.88±0.02.
- 对于仅对乳房的pCR预测,重新训练的模型表现出强的表现,测试组的AUC为0.86±0.03.
- 该模型显示出强大的预测能力,表明其对早期治疗反应评估的潜力.
结论:
- 开发的深度学习模型,利用多参数MRI,在预测TNBC患者对NAST的治疗反应方面非常有效.
- 这种人工智能驱动的方法有可能在治疗过程的早期区分pCR和非pCR患者.
- 这些发现表明,TNBC个性化治疗策略是一个有前途的工具,可以及时进行治疗修改.
