用于差异诊断低HER2乳腺癌的机器学习模型:放射学方法

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:

• 区分HER2-低和HER2-阳性乳腺癌 (BC) 对于治疗选择至关重要.
• 术前动态增强型MRI (DCE-MRI) 放射学为非侵入性评估提供了潜力.
• 精确的差异化影响了乳腺癌的个性化治疗策略.

研究的目的:

• 开发和评估基于DCE-MRI放射学的机器学习模型,以区分HER2-低和HER2-阳性BC.
• 在这个差异诊断中探索放射学特征的预后价值.
• 评估这些模型在协助临床决策方面的潜力.

主要方法:

• 对233名侵袭性乳腺癌患者 (103名HER2阳性,130名HER2-低) 的回顾性分析.
• 从DCE-MRI第二阶段成像中提取放射学特征.
• 使用6种机器学习算法 (逻辑回归,随机森林,SVM,AdaBoost,决策树,自动编码器) 开发预测模型,并进行特征选择和规范化.

主要成果:

• 机器学习模型,特别是自动编码器,在验证集中表现出高性能 (AUC 0.994,精度 0.976).
• 所有模型在培训和验证组中都取得了优异的性能指标 (AUC,精度,灵敏度,特异性).
• 在模型的性能之间没有发现统计学上显著的差异.

结论:

• 基于DCE-MRI的放射学特征显示了识别低HER2乳腺癌的可行性和预测价值.
• 机器学习模型可以有效地区分HER2-低和HER2-阳性BC.
• 非侵入性手术前模型有可能有助于临床决策和推进个性化乳腺癌护理.