使用深度神经网络预测乳腺癌化疗的病理完整反应,不确定量化

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:

• I-SPY 2试验研究了高风险乳腺癌的新疗法.
• 新辅助化疗后的病理完整反应 (pCR) 与改善的长期结果有关.
• 早期预测PCR可以指导个性化治疗策略.

研究的目的:

• 通过多时间点动态对比增强磁共振 (DCEMR) 成像和I-SPY2试验的临床数据,评估早期病理完整反应 (pCR) 预测的可行性.
• 量化预测不确定性,以帮助医生做出针对患者的治疗决策.

主要方法:

• 一个卷积长期短期记忆 (LSTM) 网络集成了多个时间点的DCEMR图像 (T0,T1,T2) 和来自624名患者的临床数据.
• 嵌套的5倍交叉验证用于模型性能评估.
• 使用测试时间增强量化预测不确定性,并通过AUROC分析其与预测性能的关系.

主要成果:

• 综合模型实现了0.833的接收器运行特征曲线 (AUROC) 下面面积,仅使用图像 (AUROC=0.706) 或临床数据 (AUROC=0.746) 的模型表现优于该模型.
• 结合DCEMR图像和临床数据的模型显示出卓越的预测性能.
• 预测不确定性较低的患者子组显示出明显更高的AUROC值,表明可靠的预测.

结论:

• 使用卷积LSTM网络的深度学习模型可以在高风险乳腺癌的新辅助化疗中早期预测pCR.
• 结合多个时间点的DCEMR成像和临床数据,与单独使用任何数据类型相比,提高了预测准确性.
• 量化预测不确定性允许做出更明智,个性化的治疗决策,可能改善患者的治疗结果.