¹⁸F-FDG PET/CT放射性分析和人工智能用于预测乳腺癌患者在新辅助化疗后的病理完整反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 预测乳腺癌 (BC) 治疗反应对个性化治疗至关重要.
• 新辅助化疗 (NAC) 是许多BC患者的标准治疗方法.
• 准确预测病理完整反应 (pCR) 可以指导治疗决策并改善结果.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测NAC.接受BC患者的pCR.
• 为了利用基线[18F]FDG PET/CT扫描中的常规和放射性特征.
• 评估基于初级瘤和淋巴结放射性特征的模型的预测性能.

主要方法:

• 从52名BC患者的[18F]FDG PET/CT扫描中对原发性瘤和淋巴结转移的细分.
• 从PET和CT数据集中提取和选择854个放射性特征 (RFts).
• 使用临床和放射性特征的ML模型 (随机森林,神经网络,SGD) 的培训和验证,包括专注于仅瘤 (PET Model_T) 和瘤+节点 (PET Model_T+N) 数据的模型.

主要成果:

• 在44.2%的患者中观察到pCR.
• 与CT和临床模型相比,基于PET的模型显示出更高的性能.
• 在PET Model_T+N中的随机森林算法获得了最高的性能 (AUC=0.83,CA=0.74).

结论:

• 结合 [18F]FDG PET/CT 原发瘤和淋巴结的放射性特征的ML模型可以有效地预测NAC后的pCR.
• 这些基于放射性签名的模型有可能提高BC患者的管理和治疗策略.