乳腺癌亚型预测模型采用人工神经网络和F-Fluorodeoxyglucose正电子发射断层扫描/计算机断层扫描

科学领域:

• 核医学就是核医学.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 阳位子发射断层扫描/计算机断层扫描 (PET/CT) 对于乳腺癌 (BC) 评估至关重要.
• 目前的PET/CT方法并不能自动分类BC亚型.
• 准确的BC亚型分类对于有效治疗至关重要.

研究的目的:

• 开发一个人工神经网络 (ANN) 模型来分类乳腺癌亚型.
• 为了利用瘤标志物值与PET/CT数据一起用于亚型评估.
• 通过人工智能增强乳腺癌的诊断能力.

主要方法:

• 122名乳腺癌患者接受了18F--D-葡萄糖 (18F-FDG) PET/CT扫描.
• 使用瘤标志物值和PET/CT数据训练了一个人工神经网络 (ANN).
• 在亚型分类中,ANN使用了带有交叉损的Softmax函数.

主要成果:

• 该ANN模型通过K折交叉验证实现了95.77%的高精度.
• 报告的平均灵敏度和特异性分别为0.958和0.955.
• 曲线下的平均面积 (AUC) 是令人印象深刻的0.985.

结论:

• 拟议的ANN方法有效地对乳腺癌亚型进行了分类.
• 该模型的临床实施可以增强对BC的PET/CT诊断能力.
• 将瘤标志物值与PET/CT集成,可以改善BC亚型诊断.