解码乳腺癌:使用放射学来非侵入性地直接从乳房图像中揭示分子亚型
Manon A G Bakker1, Maria de Lurdes Ovalho2, Nuno Matela3,4
1Faculty of Science and Engineering, University of Groningen, 9700 AS Groningen, The Netherlands.
Journal of imaging
|September 27, 2024
概括
数字造乳镜图像的放射学分析显示,它有望预测乳腺癌分子亚型. 这种非侵入性方法可以帮助为乳腺癌患者选择个性化治疗方法.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 乳腺癌治疗的成功高度依赖于瘤组织学.
- 准确识别分子亚型对于有效的治疗计划至关重要.
研究的目的:
- 为了研究从数字造乳镜 (DM) 来预测乳腺癌分子亚型的放射性特征的潜力.
- 为了比较支持向量机 (SVM) 和天真贝叶斯 (NB) 机器学习分类器的性能,用于此任务.
主要方法:
- 使用OPTIMAM乳腺造影图像数据库 (OMI-DB) 的回顾性研究.
- 从DM图像中提取放射性特征.
- 对光线A,光线B,三阴性乳腺癌 (TNBC) 和HER2亚型的二进制分类.
- 使用皮尔森相关性和LASSO进行特征选择.
- 使用SVM和NB进行分类,通过精度和曲线下的面积 (AUC) 评估性能.
主要成果:
- 在SVM分类器实现AUC的0.855 (光线A),0.812 (光线B),0.789 (TNBC) 和0.755 (HER2).
- 在NB分类器实现AUC的0.714 (光线A),0.746 (光线B),0.593 (TNBC) 和0.714 (HER2).
- 在光线A (p = 0.0268) 和TNBC (p = 0.0073) 亚型中,SVM显著超过了NB.
结论:
- 对DM图像的放射学分析表明,对乳腺癌分子亚型的非侵入性预测有很大的潜力.
- 与NB相比,SVM分类器表现出优越的性能,突出了其在本应用中的实用性.
- 这种方法可以促进更个性化,更有效的乳腺癌治疗策略.
