在乳腺癌患者接受新辅助治疗后,对状淋巴结剖析豁免的非侵入性预测:在纵向DCE-MRI数据上进行放射学和深度学习分析
Yushuai Yu1, Ruiliang Chen2, Jialu Yi2
1Department of Breast Surgery, Fujian Medical University Union Hospital, Fuzhou, Fujian Province, 350001, China; Department of Breast Surgery, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, Fuzhou, Fujian Province, 350014, China.
Breast (Edinburgh, Scotland)
|August 13, 2024
概括
在新辅助疗法后准确地评估状淋巴结对于乳腺癌患者至关重要. 结合放射学,深度学习和临床数据的新型SVM模型实现了高精度,改善了个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 对状淋巴结 (ALN) 状态的准确评估对于接受新辅助疗法 (NAT) 的临床转移 (cN+) 乳腺癌 (BC) 患者至关重要.
- 目前用于NAT后ALN评估的方法需要改进,以便精确地制定治疗策略.
研究的目的:
- 开发一种精确的方法,用于评估接受新辅助治疗的乳腺癌患者的状淋巴结状况.
- 为了确定实现NAT后的ypN0状态的关键预测因素.
主要方法:
- 对接受NAT.的160名BC患者的回顾性分析.
- 从DCE-MRI图像中提取和分析放射性,深度学习,三角洲放射性和三角洲深度学习特征.
- 使用LightGBM,SVM,RandomForest和MLP算法开发和评估风险模型,并进行10倍交叉验证.
主要成果:
- 61%的患者在NAT后获得了ypN0状态.
- 分子亚型和Ki67被确定为ypN0状态的显著预测因素.
- 基于SVM的"数据合并"模型,集成放射性,深度学习和临床数据,实现AUC为0.986.
结论:
- 这项研究强调了需要在乳腺癌中使用先进的ALN评估方法.
- 基于SVM的复杂"数据合并"模型为准确,动态的ALN评估提供了有前途的方法.
- 这个模型有可能为乳腺癌患者增强个性化治疗策略.
