多参数MRI模型用于预测乳腺癌的分子亚型,使用沙普利的附加解释解释性分析
Yao Huang1, Xiaoxia Wang2, Ying Cao1
1School of Medicine, Chongqing University, Chongqing, 400030, China; Department of Radiology, Chongqing University Cancer Hospital, Chongqing Key Laboratory for Intelligent Oncology in Breast Cancer (iCQBC), 400030, Chongqing, China.
Diagnostic and interventional imaging
|January 25, 2024
概括
多参数MRI有效预测乳腺癌分子亚型,优于传统的语义模型. SHAP分析确定了用于亚型区分的关键成像特征,提高了诊断准确度.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 准确预测乳腺癌分子亚型对于指导治疗决策至关重要.
- 目前用于亚型分类的方法可能具有侵入性或缺乏精度.
- 多参数MRI提供了一种非侵入性的方法来表征瘤生物学.
研究的目的:
- 评估乳腺癌分子亚型的多参数磁共振成像 (MRI) 的预测性能.
- 为了解释推动这些预测的关键特征,使用夏普利添加式扩展 (SHAP) 分析.
主要方法:
- 188名乳腺癌患者接受了治疗前的多参数MRI (包括超快的DCE-MRI,MRS,DKI和IMH).
- 机器学习模型 (逻辑回归,XGBoost) 使用语义和多参数特征来预测光线A,光线B,三阴性和HER2丰富亚型.
- 使用SHAP分析来解释模型决策,并确定重要的预测特征.
主要成果:
- XGBoost显示出强大的预测性能. 与语义模型 (0.693-0.764) 相比,多参数模型在验证队列中实现了较高的曲线下面面积 (AUC) 值 (0.771-0.857).
- SHAP分析确定了特定的MRI特征 (例如,IAUC,kurtosis,D*) 作为不同分子亚型的歧视性.
- 在语义模型和多参数模型之间没有观察到AUC的显著差异 (P > 0.05).
结论:
- 与语义模型相比,多参数核磁共振显示出乳腺癌分子亚型的优越预测能力.
- SHAP分析为支持亚型预测的成像特征提供了有价值的见解,有可能提高诊断准确度.
更多相关视频
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.1K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K