一种非侵入性人工智能模型,用于识别乳腺癌中新辅助化疗的腹病理完整反应:对多中心临床试验的二次分析

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:

• 准确预测状淋巴结 (ALN) 对新辅助化疗 (NAC) 的反应对于乳腺癌管理至关重要.
• 纵向MRI数据为增强的预测建模提供了潜力.

研究的目的:

• 开发和验证一个堆叠机器学习模型,用于使用纵向MRI预测ALN对NAC的反应.
• 为了比较模型的性能与放射科医生在准确性和假负率方面.

主要方法:

• 包括接受NAC的节点阳性乳腺癌患者 (N=1153).
• 从NAC前后的MRI (瘤,周周瘤,ALN区域) 中提取了放射性特征.
• 使用了特征选择技术 (曼·惠特尼U,LASSO,Boruta) 和机器学习模型.

主要成果:

• 堆叠模型实现了高AUC (0.926培训,0.874外部验证,0.862前性).
• 该模型显示,与放射科医生 (40.80-63.64%) 相比,假阴性率明显较低 (14.40-20.85%).
• 通过模型识别的高风险和低风险群体之间观察到无病生存率的显著差异.

结论:

• 开发的堆叠模型准确地预测了乳腺癌中NAC后的ALN状态.
• 该模型在减少假阴性预测方面超过了放射科医生,有可能改善患者的治疗结果.