基于深度学习和BI-RADS指导的放射学模型用于在乳腺癌中自动评估瘤透淋巴细胞
Xiangyu Lu1, Yingying Jia2,3,4, Hongjuan Zhang1
1School of Information Science and Engineering, Lanzhou University, No. 222 South Tianshui Road, Lanzhou 730030, China.
The British journal of radiology
|July 12, 2024
概括
这项研究开发了一种可解释的放射学模型,使用超声波图像来预测乳腺癌 (BC) 中的瘤透淋巴细胞 (TILs) 水平. 综合模型结合了放射学和临床数据,显示了对非侵入性评估和临床决策的前景.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 瘤透淋巴细胞 (TIL) 是乳腺癌 (BC) 预后和治疗反应的关键生物标志物.
- 需要准确的,非侵入性的方法来评估TILs水平,以指导临床决策.
- 目前的放射学模型往往缺乏可解释性和临床整合性.
研究的目的:
- 开发一种可解释的放射学模型,用于使用超声波 (美国) 图像预测BC的TILs水平.
- 将放射学特征与临床数据相结合,以提高预测准确度.
- 创建一个与临床决策过程一致的模型.
主要方法:
- 对378名侵袭性BC患者的回顾性分析.
- 基于深度学习的兴趣区域 (ROI) 的细分从美国图像.
- 以BI-RADS词典为指导的放射学特征的提取和选择.
- 使用机器学习分类器开发放射学签名 (Rad-score).
- 将最好的Rad-score与独立的临床因素集成为最终的预测模型.
主要成果:
- 深度学习模型在瘤细分方面实现了高精度 (97.2%).
- 使用14个选定的特征构建了一个可解释的放射学模型.
- 综合模型在验证队列中实现了0.889的AUC,超过了传统的放射学模型 (AUC0.756).
结论:
- 开发的模型为BC的TIL水平预测提供了一个有希望的,非侵入性的方法.
- 该模型的可解释性和与临床数据的整合性提高了其临床决策的潜力.
- 这种基于成像的生物标志物方法促进了乳腺癌中非侵入性TILs评估.
