结合基于生物学和MRI数据的建模,预测三阴性乳腺癌患者对新辅助化疗的反应
Casey E Stowers1, Chengyue Wu1, Zhan Xu1
1From the Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin, Austin, Tex (C.E.S., C.W., J.I.T., T.E.Y.); Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, Tex (S.K., J.I.T.); Livestrong Cancer Institutes, The University of Texas at Austin, Austin, Tex (T.E.Y.); Departments of Imaging Physics (C.W., Z.X., J.B.S., J.M., T.E.Y.), Abdominal Imaging (G.M.R.), Breast Imaging (C.W., G.M.R.), Breast Medical Oncology (C.Y.), Biostatistics (C.W.), and Institute for Data Science in Oncology (C.W.), The University of Texas MD Anderson Cancer Center, Houston, Tex; and Departments of Biomedical Engineering (C.W., T.E.Y.), Diagnostic Medicine (J.I.T., T.E.Y.), and Oncology (T.E.Y.), The University of Texas at Austin, 107 W Dean Keeton St, Stop C0800, Austin, TX 78712.
这项研究结合了深度学习和基于生物学的模型,利用MRI数据预测乳腺癌对新辅助化疗 (NAC) 的三重阴性反应. 综合模型准确地预测了瘤变化,在治疗开始之前帮助治疗决策.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
背景情况:
- 局部发达的三阴性乳腺癌 (TNBC) 需要有效的新辅助化疗 (NAC).
- 在治疗前预测患者对NAC的反应对于个性化治疗至关重要.
- 当前的预测方法可能无法在NAC期间完全捕捉瘤动态.
研究的目的:
- 开发和验证一种基于深度学习和生物学的数学模型,用于预测TNBC对NAC的反应.
- 利用治疗前的MRI数据来估计NAC期间的瘤演变.
- 评估模型在预测总瘤体积 (TTV) 和总瘤细胞性 (TTC) 的准确性.
主要方法:
- 一项使用ARTEMIS试验 (NCT02276443) 数据的回顾性研究.
- 构建和对患者进行特定校准,以生物学为基础的瘤反应数学模型.
- 卷积神经网络 (CNN) 的应用,将校准模型参数与预处理MRI数据联系起来.
- 评估CNN在预测TTV,TTC和瘤状况方面的表现.
主要成果:
- 综合模型与TTC (CCC=0.95) 和TTV (CCC=0.94) 的测量变化具有很高的一致性.
- 美国有线电视新闻网的预测显示,AUC为0.72,用于预测手术时的瘤状况.
- 该模型有效地使用了NAC前的MRI数据来预测空间和时间瘤演变.
结论:
- 与基于生物学的模型集成的深度学习显示了预测TNBC对NAC的反应的重大前景.
- 这种方法通过提供治疗前反应预测,使个性化治疗成为可能.
- 该模型提供了一种非侵入性方法,仅使用初始MRI扫描来预测瘤动态.


