基于MRI的机器学习放射学用于预测乳腺侵入性导管癌中HER2表达状态
Hong-Jian Luo1, Jia-Liang Ren2, Li Mei Guo3
1Department of Radiology, The Third Affiliated Hospital of Zunyi Medical University (The First People's Hospital of Zunyi), Zuiyi, Guizhou province, China.
European journal of radiology open
|August 16, 2024
概括
使用MRI的机器学习放射学可以预测人类表皮生长因子受体2 (HER2) 在侵入性导管性乳腺癌 (IDC) 中的表达. 这种非侵入性方法可以帮助分类HER2状态,指导治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 人类表皮生长因子受体2 (HER2) 是侵入性导管性乳腺癌 (IDC) 的关键生物标志物.
- 准确的HER2表达状态对于IDC患者的预后和治疗决策至关重要.
研究的目的:
- 为了评估基于多序磁共振成像 (MRI) 的机器学习放射学模型.
- 在IDC患者中非侵入性地分类HER2表达状态 (HER2阳性,HER2低,HER2零).
主要方法:
- 从402名IDC患者的手术前MRI中提取了放射性特征.
- 使用模拟炼算法进行特征选择.
- 开发和比较后勤回归,随机森林 (RF) 和支持向量机模型用于分类.
- 使用接收器运行特征 (ROC) 曲线的曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 成功开发了一种用于HER2表达预测的放射学模型.
- 射频模型实现了最高的性能.
- 在HER2-阳性与HER2-阴性分类中,AUC值达到0.777.
- 在HER2-低与HER2-零分类中,AUC值达到0.731.
结论:
- 基于机器学习的MRI放射学在IDC中显示出对非侵入性HER2状态预测的前景.
- 这种方法有可能改善乳腺癌患者的管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
