基于放射学的机器学习分类器的比较,用于预测乳腺癌新辅助疗法对病理完整反应的治疗前预测

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学中的机器学习
• 乳腺癌研究研究 乳腺癌研究

背景情况:

• 机器学习 (ML) 分类器越来越多地用于预测经过新辅助疗法 (NAT) 后乳腺癌的病理完整反应 (pCR).
• 有限的比较研究存在于各种ML分类器对此应用的有效性.
• 这项研究旨在比较使用放射学模型进行乳腺癌pCR预测的ML分类器.

研究的目的:

• 评估基于T1加权成像 (T1WI) 的放射学模型,用于在NAT后预测乳腺癌pCR.
• 为了比较不同ML分类器在预测pCR方面的性能.
• 使用放射学特征识别乳腺癌pCR预测的最佳ML分类器.

主要方法:

• 从杜克-乳腺癌-MRI数据集对281名接受NAT患者的回顾性分析.
• 从前后对比第一阶段T1WI中提取放射性特征.
• 应用合成少数群体过量采样技术 (SMOTE),然后进行7:3的列车验证分割.
• 使用选定的特征开发放射学模型并评估分类器:SVM,RF,DT,KNN,XGBoost和LightGBM.
• 使用接收器运行特征 (ROC) 曲线评估预测性性能.

主要成果:

• 在总体的pCR预测中,LightGBM分类器获得了最高的性能 (AUC:0.823).
• 对于发光性乳腺癌,随机森林 (RF) 显示出更高的性能 (AUC:0.914).
• 轻GBM是三阴性乳腺癌最有效的分类器 (AUC:0.836).

结论:

• 基于LightGBM的放射学模型对于预测乳腺癌患者的pCR非常有效.
• 射频和LightGBM都显示出在特定乳腺癌亚型,即光线和三阴性乳腺癌中预测pCR的巨大潜力.
• 这些发现支持在个性化乳腺癌治疗策略中使用先进的ML技术.