开发和验证用于预测HER2-零和HER2-低乳腺癌的机器学习模型
Xu Huang1,2, Lei Wu1,2, Yu Liu2,3
1Department of Radiology, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou 510080, China.
The British journal of radiology
|July 11, 2024
概括
使用MRI特征的机器学习模型可以区分HER2-zero和HER2-low乳腺癌,有助于预测接受新辅助疗法 (NAT) 的患者的治疗反应和预后.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 机器学习在医学中的应用
背景情况:
- 对乳腺癌中人类表皮生长因子受体2 (HER2) 状态的准确分类对于指导向治疗至关重要.
- 低表达HER2的乳腺癌是一种独特的亚型,可能会从HER2向治疗中受益,需要可靠的预测方法.
- 磁共振成像 (MRI) 的治疗前成像特征有可能用于非侵入性评估HER2表达水平.
研究的目的:
- 开发和验证用于区分HER2-零和HER2-低乳腺癌表型的机器学习模型.
- 利用前新辅助疗法 (NAT) 的MRI特征来预测HER2状态.
- 评估模型预测病理完整反应 (pCR) 和无病生存期 (DFS) 的能力.
主要方法:
- 包括516名乳腺癌患者,数据分为培训 (n=362) 和内部验证 (n=154) 组.
- 分析了各种MRI特征 (例如瘤直径,增强模式,明显扩散系数).
- 机器学习算法包括物流回归 (LR),支持矢量机器 (SVM),K-最近邻居 (KNN) 和极端梯度提升 (XGBoost) 被使用.
主要成果:
- 在验证数据集中,XGBoost模型表现出卓越的性能,在接收器操作特征曲线 (AUC) 下的面积为0.783.
- 来自XGBoost的HER2评分在预测pCR方面显示出中度的准确性 (AUC为0.708训练,0.695验证).
- 在验证队列中,较低的HER2得分与较短的DFS显著相关 (危险比:2.748,P=.037).
结论:
- XGBoost模型有效地区分HER2-零和HER2-低乳腺癌,使用NAT前MRI特征.
- 该模型显示了在接受NAT.的乳腺癌患者中预测pCR和预后的潜力.
- 基于MRI的机器学习为识别低HER2乳腺癌提供了一个有希望的方法,指导治疗决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:45Orthotopic Transplantation of Breast Tumors as Preclinical Models for Breast Cancer
Published on: May 18, 2020
6.0K
