多参数乳腺MRI放射学的实用性用于预测Cyclin D1和TGF-β1表达

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 准确预测诸如cyclin D1和TGF-β1等预后因素对于个性化乳腺癌治疗至关重要.
• 目前的方法可能具有侵入性或缺乏全面的预测能力.

研究的目的:

• 开发和验证一个集临床特征和多序MRI放射学的机器学习模型.
• 在乳腺癌患者中非侵入性地预测cyclin D1和TGF-β1的表达状态.

主要方法:

• 对123名乳腺癌患者进行了术前MRI扫描的回顾性分析.
• 使用AK软件进行特征提取,使用LASSO算法进行维度缩小.
• 临床,放射学和联合预测模型的开发,由ROC和DCA评估.

主要成果:

• 与单个模型相比,组合模型显示出更好的预测性能 (AUC高达0.892的环林D1和0.904的TGF-β1).
• 决策曲线分析证实了组合模型在两个队列中的优越临床效用.

结论:

• 整合临床数据和MRI放射学提供了一种强大的非侵入性方法,用于预测cyclin D1和TGF-β1表达.
• 这种综合方法为个性化乳腺癌治疗计划提供了有效的指导.