开发和验证一个Nomogram,将对比增强的光谱乳房学深度学习与临床病理特征相结合,以预测ER-阳性/HER2-阴性乳腺癌患者的新辅助化疗反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 准确预测新辅助化疗 (NAC) 反应对于管理ER阳性/HER2阴性乳腺癌至关重要.
• 目前的预测方法可能无法充分利用先进的成像和临床数据.

研究的目的:

• 开发和验证一个名图,将对比增强光谱乳房学 (CESM) 深度学习功能与临床病理数据相结合.
• 预测ER阳性/HER2阴性乳腺癌患者的NAC反应 (低与高的米勒·佩恩等级).

主要方法:

• 一项对265名ER阳性/HER2阴性乳腺癌患者的回顾性研究.
• 深度学习模型 (ResNet34) 在CESM图像上训练,结合临床病理特征 (年龄,PR,ER,Ki67,中性粒细胞与淋巴细胞的比率).
• 使用后勤回归和逐步选择进行名图开发;通过ROC曲线,精度回忆曲线和决策曲线分析 (DCA) 进行评估.

主要成果:

• 与基于深度学习和临床模型相比,名图表显示出更高的预测性能.
• 诺米图的关键指标包括ROC曲线下的高面积 (0.95),精度 (0.94),特异性 (0.98) 和正预测值 (0.89).
• 决策曲线分析表明,在治疗决策中,名谱具有显著的临床实用性.

结论:

• 开发的诺米图有效预测ER阳性/HER2阴性乳腺癌中的NAC反应.
• 将CESM深度学习与临床病理特征相结合,可以提高预测准确度.
• 诺米图表显示,它是个性化乳腺癌治疗策略的有价值工具.