基于临床病理学和成像特征的机器学习模型来预测乳腺癌的HER2阳性表达
Xiaojuan Qin1, Wei Yang2, Xiaoping Zhou1
1College of Clinical Medicine, Ningxia Medical University, Yinchuan 750004, PR China (X.Q., X.Z.).
Academic radiology
|January 21, 2025
概括
使用XGBoost和人工神经网络 (ANN) 的机器学习模型有效预测人类表皮生长因子受体2 (HER2) 阳性乳腺癌. 这种先进的ANN模型在预测HER2状态时,与后勤回归相比显示出更高的性能.
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:
- 在乳腺癌 (BC) 中对人类表皮生长因子受体2 (HER2) 阳性表达的准确预测对于治疗选择至关重要.
- 目前的方法可能需要侵入性程序;开发非侵入性预测模型是非常理想的.
研究的目的:
- 开发和评估用于预测HER2-阳性 (HER2-p) 乳腺癌的机器学习 (ML) 模型.
- 将人工神经网络 (ANN) 模型的性能与物流回归 (LR) 模型进行比较.
主要方法:
- 利用了2541名女性患者的临床病理学数据和治疗前成像 (乳腺造影,MRI).
- 开发了一个使用XGBoost识别特征和多变量逻辑回归 (LR) 模型的ANN模型.
- 使用递归特征消除与交叉验证 (RFE-CV) 来进行特征选择,并使用接收器操作特征 (ROC) 曲线评估预测值.
主要成果:
- XGBoost确定了HER2-p预测的关键特征:瘤大小,化,Ki-67指数,螺纹和最小明显扩散系数 (最小ADC).
- 该ANN模型在训练,测试和验证队列中表现出卓越的预测性能,AUC范围从0.809到0.853.
- 在预测HER2-p状态方面,ANN模型始终优于LR模型.
结论:
- 开发的ANN模型,由XGBoost选择的特征提供信息,显示了预测HER2-阳性乳腺癌的显著潜力.
- 这种ML方法提供了一个有希望的非侵入性工具,用于帮助预测乳腺癌患者的HER2状态.
