深度放射基因组学对乳腺瘤基因-表型解码的测序使用动态对比磁共振成像

科学领域:

• 放射基因组学是指放射基因组学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精确预测雌激素受体 (ER),孕激素受体 (PR) 和人体表皮生长因子受体2 (HER2) 基因状态对于乳腺癌治疗决策至关重要.
• 目前的方法通常依赖于侵入性活检,突出了对非侵入性预测技术的需求.
• 动态对比增强磁共振成像 (MRI) 提供了丰富的空间和时间信息,可能与瘤遗传特征相关.

研究的目的:

• 研究放射性基因分析的可行性,以预测乳腺癌患者的ER,PR和HER2基因状态,使用动态对比增强MRI.
• 评估深度学习算法的性能,从乳腺MRI数据中解码基因-表型关系.

主要方法:

• 利用了922名具有已知ER,PR和HER2突变状态的侵入性乳腺癌患者的数据集.
• 采用3D深度学习网络分析T1加权的前对比和三个后对比MRI序列进行多通道分析.
• 对所有网络实施N4偏差校正和标准化输入大小 (128x128x68),数据分为训练/验证 (80%) 和测试 (20%) 集.

主要成果:

• 为了预测ER,SeresNet50实现了0.695的曲线下面积 (AUC) (灵敏度:0.564,特异性:0.787).
• 对于PR预测,ResNet34的AUC值为0.658 (灵敏度:0.593,特异性:0.734).
• 对于HER2预测,SEResNext101的AUC值为0.698 (灵敏度:0.750,特异性:0.625). 在此过程中,SEResNext101的AUC值为0.698 (灵敏度:0.750,特异性:0.625).

结论:

• 这项研究表明,在动态对比增强MRI上使用深度学习算法的潜力,用于乳腺瘤的非侵入性放射基因组分析.
• 开发的模型在预测ER,PR和HER2基因状态方面取得了适度的表现,这表明基于成像的基因表型解码的可行性.