在乳腺癌患者中预测状淋巴结转移:基于放射学的多中心方法与解释性分析

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习在瘤学中

背景情况:

• 准确预测状淋巴结转移 (ALNM) 对于乳腺癌的分期和治疗计划至关重要.
• 目前的方法可能无法完全捕捉出暗示ALNM的复杂成像特征.
• 放射学提供了一种定量方法,从医学扫描中提取成像生物标志物.

研究的目的:

• 开发和验证基于MRI的放射学模型,用于预测乳腺癌患者的ALNM.
• 整合内和周成像信息,以提高预测准确度.
• 利用可解释的机器学习来理解模型的决策过程.

主要方法:

• 分析了376名接受对比增强乳房MRI的患者队列.
• 采用多个机器学习算法来构建放射学,放射学和联合预测模型.
• 模型性能使用接收器操作特征分析 (AUC) 和夏普利添加式扩展 (SHAP) 来评估.

主要成果:

• 放射学模型使用内和周特征 (3mm区域) 与反向传播神经网络 (BPNN) 实现了0.820的AUC.
• 结合了RAD得分,临床T阶段和尖边缘的综合模型,产生了0.855.5的优异AUC.
• SHAP分析阐明了关键特征对预测ALNM状态的贡献.

结论:

• 一个可解释的放射学模型有效地预测了乳腺癌中的ALNM.
• 该模型能够整合多种成像特征,从而提高诊断效率.
• 这种方法可以帮助临床医生为乳腺癌患者做出明智的治疗决策.