基于基线乳腺DCE-MRI的可解释的3D CNN,可以早期预测对新辅助化疗的病理完整反应

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 在瘤学中使用人工智能

背景情况:

• 动态对比增强磁共振成像 (DCE-MRI) 对于识别接受新辅助化疗 (NAC) 的乳腺癌患者病理完整反应 (pCR) 的早期指标至关重要.
• 现有的人工智能模型,主要是卷积神经网络 (CNN),经常分析DCE-MRI的2D切片,忽视了有价值的3D体积信息和深度上下文.

研究的目的:

• 开发和验证一个可解释的3D CNN模型,用于在NAC启动之前预测PCR.
• 为了利用基线DCE-MRI扫描的全3D几何,提高预测准确度.
• 为人工智能模型的决策过程提供视觉解释.

主要方法:

• 输入自动细分的3D瘤区域从后对比基线乳腺DCE-MRI检查到3D CNN.
• 使用10倍交叉验证方案,重复5轮,以评估模型性能.
• 实施可解释性技术以可视化网络的预测推理.

主要成果:

• 拟议的3D CNN模型与仅使用成像数据的现有方法相比,实现了竞争性性能.
• 关键绩效指标包括曲线下面积 (AUC) 的中位数为81.8% (95% CI [75.3%; 88.3%]).
• 其他中位数性能指标是:准确度为78.7% (95%CI [74.8%; 82.5%]),灵敏度为69.8% (95%CI [59.6%; 79.9%]),特异性为83.3% (95%CI [82.6%; 84.0%]).

结论:

• 开发的可解释的3D CNN显示了对乳腺癌患者pCR的非侵入性,早期预测的巨大潜力.
• 这种方法可以帮助临床医生及时做出有关患者特异性的新辅助化疗途径的决定.
• 该模型利用3D体积数据的能力比基于切片的分析提供了优势,可以更好地预测治疗反应.