超声波和扩散光学断层扫描-转换器模型用于评估乳腺癌中新辅助化疗的病理完整反应

科学领域:

• 医学成像医学成像
• 人工智能在瘤学中的应用
• 乳腺癌研究研究 乳腺癌研究

背景情况:

• 对新辅助化疗 (NAC) 的病理完整反应 (pCR) 的准确预测对于个性化乳腺癌治疗至关重要.
• 目前像超声波 (美国) 和扩散光学断层扫描 (DOT) 这样的成像模式提供了补充信息,但单独使用时存在局限性.
• 整合多式联络成像数据有可能改善治疗反应预测.

研究的目的:

• 开发和评估USDOT-Transformer模型,用于预测接受NAC的乳腺癌患者的pCR.
• 与单个模式相比,评估美国和 DOT 联合成像方法的性能.
• 探索深度学习在提高个性化医学的pCR预测方面的实用性.

主要方法:

• 开发了一种双输入的USDOT-Transformer模型,将联合注册的美国和DOT图像与瘤受体生物标志物集成在一起.
• 在NAC期间,在多个时间点利用了60名乳腺癌患者的成像数据.
• 采用五重交叉验证,严格评估模型性能与单模预测.

主要成果:

• 该USDOT-变压器模型实现了0.96 (95%CI:0.93到0.99) 的接收器运行特征曲线下的高平均面积.
• 多模式整合显著优于单模式预测 (美国:0.87,DOT:0.82).
• 证明了深度学习和多式联络成像用于提高预测准确性 (ACC) 的潜力.

结论:

• USDOT-Transformer模型提供了一种有希望的非侵入性方法,用于预测乳腺癌中pCR到NAC的情况.
• 利用结构 (US) 和功能 (DOT) 信息可以提高个性化治疗规划的预测准确性.
• 未来的研究将专注于扩大数据集和完善模型以获得更广泛的临床适用性.