使用基于多参数磁共振成像的神经网络模型在乳腺癌中预测人体表皮生长因子受体2-低表达的术前预测

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 在乳腺癌中精确预测人类表皮生长因子受体2 (HER2) 低表达的术前预测对于定制治疗策略和改善患者的治疗结果至关重要.
• 磁共振成像 (MRI) 提供了非侵入性评估HER2表达水平的潜力.
• 使用MRI数据研究先进的计算模型可以提高HER2-低乳腺癌的诊断能力.

研究的目的:

• 评估神经网络模型的诊断性能,使用多参数MRI预测低HER2乳腺癌.
• 为了比较HER2-low和HER2-0乳腺癌亚型之间的MRI衍生特征.
• 为了验证开发的神经网络模型的临床实用性.

主要方法:

• 一项涉及995名乳腺癌患者在两个中心进行的回顾性研究,数据分为培训,内部验证和外部验证集.
• 分析动态对比增强的MRI特征 (形态/血液动力学) 和明显扩散系数 (ADC) 值.
• 使用R构建和验证神经网络模型,使用ROC分析和决策曲线分析 (DCA).

主要成果:

• 与HER2-低乳腺癌病变相比,HER2-低乳腺癌病变表现出明显的成像特征:异常形态,高早期增强率和低ADC值,与HER2-0病变相比 (P<0.05).
• 神经网络模型在ROC曲线下的区域达到0.757 (培训),0.728 (内部验证) 和0.791 (外部验证).
• 决策曲线分析证实了模型的显著净收益,预测概率为0.764.

结论:

• 多参数MRI与神经网络模型相结合,在预测低HER2乳腺癌方面表现出显著的有效性.
• 这种人工智能驱动的方法可以帮助临床医生为患有HER2低水平乳腺癌的患者做出明智的治疗决定.
• 该模型在多个验证集中的性能表明其在个性化乳腺癌管理中的临床应用潜力.