基于深度学习的病理完整反应的区别使用MRI在HER2-阳性和三阴性乳腺癌中

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 在新辅助化疗 (NAC) 后对治疗反应的准确评估对于乳腺癌管理至关重要.
• 目前的成像技术难以可靠地区分完整的病理反应和残留疾病.
• 人类表皮生长因子受体2 (HER2) 阳性和三阴性乳腺癌具有不同的治疗途径,需要精确的反应评估.

研究的目的:

• 开发和验证深度学习模型,用于预测NAC后的残留乳腺癌.
• 评估使用动态对比增强MRI (DCE-MRI) 和临床数据的模型的性能.
• 为了比较不同深度学习方法的有效性,包括阶段特定和整体图像分析.

主要方法:

• 在DCE-MRI和724名患者的临床数据上训练了一个3D卷积神经网络 (CNN).
• 该模型在一个独立的128名患有HER2阳性或三阴性乳腺癌的患者组中得到验证.
• 通过比较在早期阶段,延迟阶段和联合DCE-MRI数据中训练的模型,以及整张与截图图像的模型来评估性能.

主要成果:

• 延迟阶段深度学习模型在接收器操作特征曲线 (AUC) 下获得了0.74的优越区域,超过了早期阶段模型 (AUC=0.69) 和组合模型 (AUC=0.70).
• 结合多个动态阶段和临床数据的模型显示,与单相模型相比,在统计学上有显著的改善.
• 使用未切割的整体MRI图像的深度学习模型显示性能显著降低 (AUC 0.45-0.54).

结论:

• 深度学习模型,特别是那些使用延迟阶段DCE-MRI的模型,显示了提高NAC后残留乳腺癌检测精度的潜力.
• 这些发现表明,对特定MRI阶段的集中分析比对整个图像的分析更有效.
• 建议进行包括外部验证在内的进一步研究,以提高模型的通用性和临床实用性.