周围胀增强了基于MRI的深度学习放射模型,用于预测乳腺淋巴结转移在乳腺癌中的负担
Hongbing Luo1, Zhe Chen2, Hao Xu2
1Department of Radiology, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, Affiliated Cancer Hospital of University of Electronic Science and Technology of China, No. 55, 4th Section of South Ren-Min Road, Chengdu, 610041, China. rohbin@163.com.
Scientific reports
|August 14, 2024
概括
周围胀 (PE) 显著改善了深度学习放射性模型,用于预测乳腺淋巴结转移在乳腺癌中的负担. 这种增强有助于为患者制定个性化治疗策略.
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:
- 准确预测状淋巴结转移 (ALNM) 负担对于乳腺癌管理至关重要.
- 深度学习放射性模型 (DLR) 在预测ALNM方面表现有前途,但需要进一步改进.
研究的目的:
- 评估周围胀 (PE) 是否可以提高DLR模型对乳腺癌患者ALNM负担的预测性能.
主要方法:
- 对入侵性乳腺癌患者进行手术前MRI的回顾性分析.
- 从DCE-MRI中提取瘤内部和周围的放射性特征,并在T2WI上评估PE.
- 为ALNM负担预测开发和验证带有和没有PE的DLR模型.
- 使用ROC分析,NRI和IDI指标评估模型性能.
主要成果:
- 与没有PE的模型 (0.849/0.883和0.867/0.882) 相比,采用PE的DLR模型实现了明显更高的AUC值 (0.953在培训中,0.963在验证中).
- PE显著改善了预测性能,这体现在NRI (0.551/0.539) 和IDI (0.343/0.387) 在两个队列中的大幅增加.
- 组合的DLR模型在分类低与高ALNM负担方面表现出卓越的准确性.
结论:
- 周围胀是一种有价值的成像生物标志物,增强了DLR模型对ALNM负担的预测能力.
- 将PE集成到DLR模型中可以改善ALNM负担的术前评估,支持在乳腺癌护理中个性化下管管理决策.
