机器学习预测乳腺癌中的淋巴结转移:基于MRI的多机构4D卷积神经网络的性能

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:

• 准确预测乳腺癌结节转移对于治疗计划和患者的治疗结果至关重要.
• 目前用于评估淋巴结状况的方法可能是侵入性的或缺乏足够的准确性.
• 动态对比增强 (DCE) 乳房MRI为瘤特征提供了丰富的时间和空间信息.

研究的目的:

• 开发和验证一个定制的深卷积神经网络 (CNN),用于对乳腺癌结节转移进行非侵入性预测.
• 将临床病理学数据与DCE-MRI图像特征集成,以提高预后预测.
• 评估开发模型在区分负节点和阳性节点疾病中的性能.

主要方法:

• 一项回顾性研究分析了350名患有原发性侵入性乳腺癌的女性患者的数据.
• 开发了一个四维 (4D) CNN模型,将DCE-MR图像集的时间信息纳入其中.
• 该模型将学习的图像特征与临床病理学数据 (年龄,ER/HER2状态,Ki-67,瘤等级) 结合起来,以预测结节状态 (cN0/cN+和pN0/pN+).
• 使用嵌套交叉验证的接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• 4D混合CNN模型实现了0.87的AUC,用于预测病理结节状态 (pN0与pN+).
• 对于临床节点状态 (cN0 vs cN+),该模型实现了0.79.7的AUC.
• 该模型在识别乳腺癌淋巴结转移方面表现出高灵敏度,pN+的值为89%,cN+的值为80%.

结论:

• 拟议的深度学习模型有效地利用DCE-MR图像来预测乳腺癌结节转移.
• 该模型显示出作为瘤学家的一种非侵入性临床决策支持工具的重大前景.
• 进一步验证和整合到临床工作流程中可以提高乳腺癌管理和患者护理.