在乳腺癌中使用族网络的多相DCE-MRI早期识别新辅助化疗的病理完整反应:一项纵向多中心研究

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 在新辅助化疗 (NAC) 后的早期乳腺癌中,准确识别病理完整反应 (pCR) 对于治疗评估至关重要.
• 纵向动态对比增强MRI (DCE-MRI) 显示了pCR识别的潜力,但缺乏用于罗网络 (SN) 分析的标准化阶段选择方法.

研究的目的:

• 通过使用纵向DCE-MRI和引入智能相选 (IPS) 方法来评估罗网络 (SNs) 的疗效,用于识别NAC.接受NAC的早期乳腺癌患者的pCR.

主要方法:

• 一项多中心研究涉及223名接受NAC.的女性患者.
• 在NAC之前和之后使用DCE-MRI数据开发临床,SN和综合模型.
• 使用接收器操作特征曲线 (AUC) 下的面积,DeLong测试,净重新分类改进和综合歧视改进 (IDI) 的性能评估.

主要成果:

• 与临床模型 (0.760-0.718) 相比,纳入IPS选择阶段的SN和综合模型实现了较高的AUC (0.813-0.951和0.818-0.922).
• 在SN-3和集成-3/4模型中,比临床模型表现出更高的性能.
• 使用超过20%的阶段并没有显著改善模型性能.

结论:

• 用IPS指导的姆网络分析的纵向多相DCE-MRI是增强乳腺癌pCR识别的有希望的工具.
• 这些发现表明,优化阶段选择是提高基于AI的模型在预测治疗反应中的准确性的关键.