基于超声波的深度学习放射学诺米克图,用于预测瘤和下淋巴结状况,在接受新辅助化疗后

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确预测瘤状况和状淋巴结转移 (ALNM) 对于经过新辅助化疗 (NAC) 后的乳腺癌管理至关重要.
• 目前的预测方法可能缺乏最佳临床决策所需的精度.

研究的目的:

• 评估深度学习放射学名图 (DLRN) 的可行性,以预测乳腺癌患者的瘤状况和NAC后的ALNM.
• 评估DLRN使用生存分析预测患者预后的能力.

主要方法:

• 对接受NAC.的243名乳腺癌患者的回顾性分析.
• 从超声波 (美国) 图像中整合临床,放射学和深度传输学习特征的DLRN的开发.
• 使用ROC曲线和决策曲线分析 (DCA) 评估诊断性能;使用考克斯回归和卡普兰-梅尔曲线进行生存分析.

主要成果:

• 在训练队列中,DLRN在预测瘤状况 (AUC 0.984-0.985) 和LNM (AUC 0.985-0.985) 中取得了很高的准确性,在测试队列中取得了良好的表现 (AUC 0.892-0.870).
• 命名图表显示出强大的一致性 (C指数在训练中为0.761,在测试中为0.731).
• 卡普兰-梅尔分析显示,高风险组的整体存活率明显较差 (P < 0.05).

结论:

• 总部位于美国的DLRN显示了预测瘤状况和乳腺癌中NAC后的LNM的前景.
• 这种融合模型还可以预测患者的预后,从而有可能改善临床决策.