使用机器学习方法评估状淋巴结负担和cT1-T2阶段乳腺癌的预后:一个追溯的双机构MRI研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 在临床T1-T2 (cT1-T2) 阶段的乳腺癌中,病理性下淋巴结 (pALN) 负担对于治疗决策至关重要.
• 准确的手术前评估pALN负担和预后对于个性化治疗选择至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于评估cT1-T2乳腺癌患者的pALN负担和生存率.
• 该模型整合了临床病理学和MRI特征.

主要方法:

• 这是一项涉及506名患有cT1-T2乳腺癌的女性患者的回顾性研究,涉及两个机构.
• 采用了四种ML方法,包括极端梯度提升 (XGBoost).
• 模型性能使用AUC进行评估,可解释性通过Shapley添加式解释图进行评估.

主要成果:

• 基于XGBoost的XGB II模型在培训,内部和外部验证队列中表现出优异的性能,AUC为0.805,0.803和0.818.
• 节点报告和数据系统得分是XGB II模型中最重要的预测因素.
• 在多变量考克斯回归分析中,从模型中获得的pALN得分与无病生存率 (DFS) 有显著关联 (HR:4.013).

结论:

• 开发的XGB II模型显示了评估cT1-T2乳腺癌中的pALN负担的潜力.
• 这种ML模型可以提供有价值的预后信息,有助于治疗规划.