一种基于机器学习方法的非侵入性术前预测模型,用于预测乳腺癌中带淋巴结转移:结合超声波参数和乳腺马特异性成像特征

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 乳腺癌通常通过淋巴系统转移.
• 准确评估下淋巴结 (ALN) 状态对于手术规划和避免并发症至关重要.
• 目前的方法可能会导致不必要的下手术.

研究的目的:

• 开发一个非侵入性预测模型,用于带淋巴结转移.
• 为了整合乳腺特异性玛成像 (BSGI) 功能和超声波参数.
• 创建一个临床上可访问的工具来预测ALN状态.

主要方法:

• 机器学习算法,包括递归特征消除,在患者数据上进行训练 (235次训练,99次测试).
• 分析了超声波参数和BSGI特征,以构建预测模型.
• 模型性能使用接收器操作特征 (ROC) 和校准曲线进行验证.

主要成果:

• 开发了一种包含六个超声波参数和一个BSGI特征 (轴心质量状态) 的模型.
• 支持向量机模型在测试组中实现了0.794的AUC.
• 为临床使用而创建了一个在线计算器,证明了将BSGI功能纳入的好处.

结论:

• 使用机器学习成功开发了ALN转移的非侵入性预测模型.
• 该模型有助于预测ALN转移,并选择适当的治疗方案.
• 这种方法可以帮助减少不必要的手术干预.