预测乳腺癌侵袭性疾病事件使用转移学习的临床数据作为图像形式
Annarita Fanizzi1, Samantha Bove1, Maria Colomba Comes1
1I.R.C.C.S. Istituto Tumori "Giovanni Paolo II", Bari, Italy.
PloS one
|November 21, 2024
概括
这项研究引入了一种新的AI方法,将患者数据转化为图像,用于预测侵袭性乳腺癌事件. 人工智能模型准确地识别高风险患者,帮助个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 早期发现乳腺癌患者的侵袭性疾病事件对于有效治疗至关重要.
- 现有的机器学习模型往往无法预测复发,转移和二次瘤.
- 识别高风险患者支持个性化瘤治疗策略.
研究的目的:
- 开发基于人工智能的决策支持系统,用于识别具有侵袭性疾病事件高风险的乳腺癌患者.
- 预测5年和10年随访期间侵袭性疾病事件的发生情况.
- 加强针对个性化乳腺癌治疗的临床决策.
主要方法:
- 一种新的AI方法将临床数据转换为图像形式,用于卷积神经网络 (CNN) 分析.
- 使用预训练的AlexNET CNN从患者数据中提取成像特征.
- 采用支持矢量机分类器,训练在选定的特征,以预测入侵性疾病事件.
主要成果:
- 5年和10年模型在预测乳腺癌复发方面表现出很高的准确性.
- 实现曲线下的面积 (AUC) 为92.07% (5年) 和92.84% (10年).
- 报告高灵敏度和特异性,表明可靠的预测性能.
结论:
- 这项研究提出了一种先进的方法,用于将临床信息转换为图像,用于瘤学中的AI分析.
- 开发的系统有助于识别高风险乳腺癌患者,以进行个性化治疗计划.
- 这种方法为乳腺癌管理中的决策支持提供了一个新的工具.
