基于CE-CBBCT放射性特征的HER2-lowBC的术前预测ML模型的性能评估:一项前性研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 人类表皮生长因子受体2 (HER2) -低乳腺癌 (BC) 需要精确的手术前预测针对性治疗.
• 与对比度增强的圆束乳房计算机断层扫描 (CE-CBBCT) 提供了用于放射性分析的详细成像.

研究的目的:

• 评估机器学习 (ML) 模型的有效性,使用CE-CBBCT放射学来进行HER2-低BC的术前预测.
• 为此预测任务确定最佳的ML模型.

主要方法:

• 对56名HER2-阴性侵入性BC患者进行CE-CBBCT的前性分析.
• 从CE-CBBCT图像中提取和规范化1046个放射性特征.
• 开发和评估六个ML模型 (LDA,RF,SVM,LR,AdaBoost,DT) 使用选定的功能和AUC指标.

主要成果:

• 确定了7个最佳的放射性特征,用于ML模型的构建.
• 在训练队列 (AUC高达1000) 和验证队列 (AUC高达0.880) 中,ML模型实现了高性能.
• 线性差异分析 (LDA) 和逻辑回归 (LR) 模型在验证队列中表现出优异的性能.

结论:

• 基于CE-CBBCT放射性基因的ML模型显示了在手术前预测HER2-低BC.的卓越潜力.
• 这些模型可以作为有价值的工具,以支持精确和个性化的向治疗选择在BC管理.