基于MRI的深度学习模型对淋巴血管入侵状况在节点负侵袭性乳腺癌中的预测价值
Rong Liang1,2, Fangfang Li1,2, Jingyuan Yao3
1Department of Breast Imaging, Tianjin Medical University Cancer Institute and Hospital, National Clinical Research Center for Cancer, West Huan-Hu Road, Ti Yuan Bei, Hexi District, Tianjin, 300060, People's Republic of China.
Scientific reports
|July 13, 2024
概括
使用乳腺MRI的深度学习模型有效地预测了具有负淋巴结的侵袭性乳腺癌患者的淋巴血管入侵 (LVI). 这种人工智能驱动的方法有助于在手术前做出决策,以获得更好的患者结果.
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:
- 淋巴血管侵袭 (LVI) 是侵袭性乳腺癌的关键预后因素.
- 准确的手术前预测LVI对于指导治疗策略至关重要.
- 目前用于LVI评估的方法通常依赖于术后组织病理学.
研究的目的:
- 评估使用乳腺磁共振成像 (MRI) 预测手术前淋巴血管侵入 (LVI) 状态的深度学习 (DL) 模型的有效性.
- 将DL模型的性能与传统机器学习 (ML) 模型进行比较.
- 确定用于LVI预测的关键放射性和临床放射性特征.
主要方法:
- 对280名患有阴性下淋巴结的侵袭性乳腺癌患者的回顾性分析.
- 从动态对比增强 (DCE) -MRI中提取放射性特征.
- 使用ML算法 (LASSO,逻辑回归) 和DL算法 (多层感知器-MLP) 开发预测模型.
- 使用曲线下的面积 (AUC) 和DeLong测试验证模型性能.
主要成果:
- DL模型 (MLP-放射性) 实现了最高的预测准确度,AUC为0.896.
- 一个组合DL模型 (MLP组合) 显示AUC为0.835.
- 这两种DL模型的表现明显优于ML模型 (RF临床,AUC=0.720).
- 四个临床放射学参数和10个放射性特征被确定为重要的预测因素.
结论:
- 集成放射学和临床放射学数据的深度学习模型在预测手术前LVI状态方面显示出高准确性.
- 这些人工智能驱动的工具可以帮助入侵性乳腺癌患者进行术前决策.
- 这些发现支持在乳房MRI上使用DL,以改善LVI评估和个性化治疗计划.
