基于弹性图形的AI模型可以预测乳腺癌新辅助化疗后的状况:一个前性,多中心的诊断研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 在新辅助化疗 (NAC) 后准确预测状淋巴结 (LN) 状态对于计划乳腺癌治疗至关重要.
• 目前评估LN对NAC反应的方法在预测准确性方面存在局限性.

研究的目的:

• 开发和验证一种预测模型,用于在乳腺癌患者中初始节点参与后的腰LN状态的NAC.
• 为了比较深度学习放射学 (DLR) 模型与传统方法的性能.

主要方法:

• 一项前性多中心研究招募了671名接受NAC.乳腺癌患者.
• 使用了手术前超声波 (US),包括B模式 (BUS) 和剪波弹性图 (SWE) 数据.
• 开发和验证了临床病理特征和DLR模型 (基于BUS,基于SWE和组合模型).

主要成果:

• 基于SWE的组合DLR模型在预测腹LN状态时达到88.70%的准确性.
• 与临床病理学模型和放射科医生的诊断相比,这种模型表现出更高的性能.
• 组合DLR模型显示强烈的歧视 (AUC,0.95) 和实际的临床实用性.

结论:

• 基于SWE的组合DLR模型准确地预测了NAC后的腰LN状态在节点阳性乳腺癌中.
• 这种模型有潜力指导临床决策,减少不必要的腰下线剖析.