基于手术前特征的乳腺癌患者中哨戒淋巴结转移的预测:深度机器学习方法

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 哨兵淋巴结 (SLN) 活检对于确定乳腺癌转移的阶段至关重要.
• 准确预测SLN参与有助于治疗规划和患者管理.
• 机器学习有可能提高瘤学诊断的准确性.

研究的目的:

• 开发和评估一种深度学习模型 (TabNet),用于预测乳腺癌患者的SLN参与.
• 将TabNet的性能与用于SLN参与预测的后勤回归进行比较.
• 确定影响SLN参与预测的关键手术前特征.

主要方法:

• 一项回顾性研究利用了1832名乳腺癌患者的数据.
• 实施TabNet深度学习模型来预测SLN参与.
• 将TabNet性能指标 (准确度,精度,灵敏度,特异性,AUC) 与后勤回归进行比较.

主要成果:

• TabNet模型的准确度达到75%,超过了物流回归 (70%).
• 塔布尼特显示出更高的精度 (81%与73%相比),灵敏度 (87%与79%) 和AUC (0.74与0.70).
• 关键的预测特征包括血管侵袭,瘤大小,活检病理学,年龄和家族病史 (FH).

结论:

• 使用手术前数据,TabNet模型是预测SLN参与乳腺癌的一个更有效的工具.
• 深度学习方法在提高乳腺癌转移检测的准确性方面表现有前途.
• 手术前的临床和病理特征显著有助于预测SLN状态.