多参数MRI放射学与机器学习区分HER2-零,低和阳性乳腺癌:模型开发,测试和解释性分析

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 目前正在探索MRI放射学,以对乳腺癌中的HER2表达进行分类.
• 了解这些模型的预测机制至关重要.

研究的目的:

• 开发和测试多参数MRI放射学机器学习模型,用于三层HER2表达分类.
• 使用SHAP分析解释模型预测.

主要方法:

• 从两个中心对737名乳腺癌患者进行了回顾性研究.
• 从DCE,T2加权和DWIMRI中提取的放射性特征.
• 支持向量机 (SVM) 用于特征选择和放射学得分 (radscore) 计算.
• 用于地方和全球模型解释的SHAP分析.

主要成果:

• 在外部测试组中,组合模型实现了0.762的AUC,用于区分HER2-阴性和HER2-阳性瘤.
• 为了区分HER2-零和HER2-低瘤,radscore的AUC达到0.754.
• SHAP分析强调了早期DCE成像特征对这两项任务的影响最大.

结论:

• 核磁共振成像放射学模型在非侵入性HER2表达表征方面表现不佳.
• SHAP分析为基于成像的机器学习模型的预测提供了宝贵的见解.