预测乳腺癌患者对新辅助化疗的病理完整反应:使用来自三个区域的MRI放射学数据,使用多个机器学习算法
Guangying Zheng1,2, Jiaxuan Peng1, Zhenyu Shu1
1Cancer Center, Department of Radiology, Zhejiang Provincial People's Hospital (Affiliated People's Hospital), Hangzhou Medical College, No. 158 Shangtang Road, Hangzhou, Zhejiang, China.
Journal of cancer research and clinical oncology
|March 21, 2024
概括
这项研究开发了一种多区域MRI放射学模型,用于预测接受新辅助化疗 (NACT) 的乳腺癌患者的病理完整反应 (pCR). 采用背景辅酶增强 (BPE) 的模型显著提高了pCR预测的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 新辅助化疗 (NACT) 是乳腺癌 (BCa) 的标准治疗方法.
- 预测病理完整反应 (pCR) 对于治疗分层至关重要.
- 周微环境在NACT疗效中的作用尚未完全理解.
研究的目的:
- 开发和验证一个多区域MRI放射学模型,用于预测接受NACT的BCa患者的pCR.
- 调查内,周和背景对酶体增强 (BPE) 区域对pCR预测的贡献.
- 探索围微环境与NACT疗效之间的关系.
主要方法:
- 对133名接受NACT.a的BCa患者进行了回顾性分析.
- 从内,周和BPE区域提取放射性特征.
- 缩小尺寸,使用多变量逻辑回归进行特征选择,以及机器学习模型开发 (包括XGBoost).
- 使用ROC分析和SHAP分析进行性能评估,以确定特征可解释性.
主要成果:
- 仅仅背景酶增强 (BPE) 信号就提供了良好的pCR预测.
- 将BPE与内和周区域结合起来,提高了预测的准确性.
- 整合所有三个区域的XGBoost模型实现了0.891 (培训) 和0.861 (验证) 的AUC.
- SHAP分析确定了LZ_log.sigma.2.0.mm.3D_glcm_ClusterShade_T12作为一个关键的预测特征.
结论:
- 添加BPEMRI签名可以提高BCa患者接受NACT的pCR预测.
- 周微环境中的放射性特征与NACT疗效有关.
- 这种多区域放射学方法为个性化NACT治疗策略提供了一个有前途的工具.
