通过基于临床病理学特征的深度学习,通过深度学习识别乳腺癌中哨戒淋巴结宏观转移
Daqu Zhang1, Miriam Svensson2, Patrik Edén1
1Division of Computational Science for Health and Environment, Center for Environmental and Climate Science, Lund University, Lund, Sweden.
Scientific reports
|November 6, 2024
概括
深度学习模型现在可以通过非侵入性方式预测乳腺癌的哨兵淋巴结巨型转移. 这些模型,特别是变压器,在手术前识别节点状态方面表现有前途,有助于个性化治疗.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 轴心淋巴结状况对于乳腺癌预后至关重要.
- 哨兵淋巴结活检 (SLNB) 是节点分期的标准.
- 识别哨戒淋巴结宏转移 (宏-SLNMs) 对于个性化治疗规划至关重要.
研究的目的:
- 通过使用手术前临床病理学数据,评估深度学习 (DL) 模型在预测宏观SLNM方面的有效性.
- 将DL模型的性能与用于宏SLNM识别的传统后勤回归进行比较.
主要方法:
- 在18,185名乳腺癌患者的队列中,开发和验证了五种多变量模型,包括DL方法.
- 使用手术前临床病理学特征作为模型培训的输入.
- 以90%的最低灵敏度评估模型性能,反映SLNB的灵敏度.
主要成果:
- 与逻辑回归相比,深度学习模型在预测宏观SLNM方面表现优越.
- 变压器DL模型取得了最强的预测结果.
- 特征重要性分析表明,虽然DL模型是有希望的,但由于在具有相似特征的患者中观察到结节状况预测的变化,需要额外的预测因子来提高准确性.
结论:
- 使用基于手术前数据的DL模型进行宏观SLNM的非侵入性预测是可行的.
- DL模型,特别是变压器,为改善乳腺癌结节分期提供了一个有希望的工具.
- 需要进一步的研究,包括额外的预测因素,以完善非侵入性宏观SLNM识别.
