在乳腺癌中预测状淋巴结转移,使用多模式放射学和深度学习模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确预测状淋巴结转移 (ALNM) 对乳腺癌 (BC) 管理至关重要.
• 整合成像数据与机器学习可以增强诊断能力.

研究的目的:

• 评估结合放射学和深度学习模型的ALNM预测在BC.
• 在这些模型中比较不同机器学习算法的性能.
• 引导个性化治疗计划和手术前干预.

主要方法:

• 对270 BC患者的乳房影像 (MG) 和MRI数据进行了回顾性分析.
• 放射学和深度学习 (3D-Resnet18) 的提取和融合功能.
• 使用机器学习算法和AUC分析开发和评估放射学,深度学习和组合模型.

主要成果:

• 使用多层感知器 (MLP) 的综合放射学深度学习模型实现了最高的曲线下面面积 (AUC) 0.846.
• 综合MLP模型的表现优于单个放射学 (AUC=0.756) 和深度学习 (AUC=0.712) 模型.
• 在预测ALNM方面,MLP表现出强大的分类性能.

结论:

• 多模式放射学和深度学习模型为BC的手术前ALNM预测提供了显著的价值.
• 这些模型可以帮助制定科学个性化的治疗计划.
• 这些发现支持在乳腺癌临床决策中使用先进的人工智能模型.