乳腺癌显微镜结果预测对比增强型乳房造影的放射性临床模型
Chang Liu1, Priya Patel2, Dooman Arefan3
1Department of Bioengineering, University of Pittsburgh, Pittsburgh, PA 15213 (C.L., S.W.).
Academic radiology
|January 11, 2025
概括
机器学习模型分析对比增强性乳房造影 (CEM) 可以预测可疑病变的乳房活检结果. 这种方法可以提高BI-RADS 4A/4B类别的预测准确性,从而减少不必要的活检.
科学领域:
- 医疗成像医学成像
- 机器学习在放射学中的应用
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 在美国,每年进行超过100万次乳腺活检.
- 大约9.6%的诊断检查结果为乳房成像报告和数据系统 (BI-RADS) 4A类或更高.
- 与对比度增强的乳房造影 (CEM) 显示出改善活检结果预测的前景,但机器学习分析尚未得到充分探索.
研究的目的:
- 开发一种用于分析CEM图像的机器学习模型.
- 为了预测BI-RADS 4A/4B/4C或5.5分类的病变的乳腺活检结果.
- 整合计算机提取的放射学和放射学家评估的描述符,以提高预测.
主要方法:
- 一项符合HIPAA标准,IRB批准的研究包括患有BI-RADS 4A/4B/4C或5种CEM病变的女性.
- 后勤回归模型是使用放射学特征和定性描述符来开发的.
- 201名患者的队列被用于培训,86人用于内部测试;AUC和PPV是绩效指标.
主要成果:
- 组合模型的AUC为0.88,单独表现优于放射学 (0.90) 和临床描述 (0.81).
- 对于BI-RADS 4A病变,组合模型将正预测值 (PPV3) 从6%提高到18%.
- 对于BI-RADS 4B病变,组合模型将PPV3从17%提高到25%.
结论:
- 机器学习模型整合了CEM的放射学和临床描述符,可以有效地预测乳腺活检结果.
- 这种方法在预测BI-RADS 4A和4B病变的恶性病变方面显著改善.
- 这些发现表明,在乳腺成像中改善诊断准确性和患者管理的潜力.
