淋巴结转移的预测和生物学途径的关联是DCE-MRI深度学习放射学在侵袭性乳腺癌的基础

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 基因组学就是基因组学.
• 人工智能的人工智能

背景情况:

• 深度学习放射学 (DLR) 与乳腺癌淋巴结转移 (LNM) 之间的联系尚不清楚.
• 使用动态对比增强磁共振成像 (DCE-MRI) 的DLR显示了LNM预测的潜力.
• 基因组分析可以阐明DLR表型的生物学意义.

研究的目的:

• 探索基于DCE-MRI的DLR在侵袭性乳腺癌中预测LNM的价值.
• 使用基因组数据分析DLR表型的生物学意义.

主要方法:

• 利用两个队列 (TCGA-乳腺,乳腺MRI-NACT试点) 进行培训和验证.
• 从手术前的DCE-MRI中提取了放射学和深度学习特征.
• 使用随机森林特征选择和分析的基因组数据来识别路径,构建了DLR nomograms (DLRNs).

主要成果:

• DLRNs实现了高预测性能 (AUC 0.98培训,0.87验证),表现优于单个模型.
• 谷歌LeNet表型与免疫反应,信号转导和细胞死亡途径有关.
• 从20个枢纽基因中获得的RadDeepGene评分表明,LNM的风险显著高 (OR=164.00).

结论:

• 从DCE-MRI集成放射学和深度学习的DLRNs增强了乳腺癌的手术前LNM预测.
• 基因组分析确定了DLRN表型的潜在生物学特征.
• 这种方法提供了对乳腺癌LNM的更全面的了解.