从超声波图像中预测HER2-阳性乳腺癌的病理特征:深度合奏方法

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:

• HER2阳性乳腺癌 (HER2+BC) 需要准确的预后生物标志物识别才能有效治疗.
• 目前用于评估预后生物标志物的方法可能是侵入性的或耗时的.
• 需要新的方法来有效预测这些关键特征.

研究的目的:

• 评估使用超声波 (US) 图像来识别HER2+BC中的预后生物标志物的可行性.
• 开发和评估深度学习模型,用于分类状淋巴结参与 (ALNM),淋巴血管入侵 (LVI) 和组织学等级 (HG).

主要方法:

• 利用了512名病理验证HER2+BC的女性患者的数据集.
• 训练了五个深层卷积神经网络 (DCNNs) 和一个深层合奏 (DE) 方法.
• 使用精度,灵敏度,特异性,PPV,NPV,ROC曲线,AUC和热图来评估模型性能. 用DeLong测试进行AUC比较.

主要成果:

• 深集体 (DE) 模型表现出卓越的性能,在LVI (AUC=0.869,精度=69.7%) 和HG (AUC=0.973,精度=73.8%) 中实现了高AUC和精度,特别是在不平衡的数据中.
• 在ALNM (AUC=0.780,精度=77.5%) 的性能与单个模型相比.
• 该DE模型显示了显著的分类性能 (p < 0.05).

结论:

• 预治疗 美国的DE模型显示出作为预测HER2+BC患者病理特征的临床工具的潜力.
• 这种方法可以促进及时调整治疗策略.
• 超声波成像与深度学习相结合,为预后生物标志物识别提供了一个有希望的非侵入性方法.