机器学习用于使用超声波放射特征和乳腺癌患者的常规临床数据来预测新辅助化疗的有效性
Pu Zhou1,2, Hongyan Qian1, Pengfei Zhu2
1Cancer Research Center Nantong, Affiliated Tumor Hospital of Nantong University, and Medical School of Nantong University, Nantong, China.
Frontiers in oncology
|February 10, 2025
概括
这项研究开发了一个机器学习模型,使用超声波放射学和临床数据来预测乳腺癌 (BC) 患者接受新辅助化疗 (NAC) 的病理完整反应 (pCR). 组合模型实现了高精度,为个性化治疗策略提供了有前途的工具.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
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BC的标准治疗方法.
- 预测病理完整反应 (pCR) 有助于定制治疗策略.
研究的目的:
- 评估机器学习 (ML) 模型的临床价值,用于预测接受NAC的BC患者的pCR.
- 将超声波放射学特征与临床病理学因素相结合,以提高预测准确度.
- 使用ML和SHAP分析识别与pCR相关的关键特征.
主要方法:
- 超声波图像和231名BC患者的临床数据的回顾性分析.
- 从感兴趣的初级瘤区域提取和选择放射性特征.
- 开发和比较10ML模型,包括梯度增强机 (GBM).
- 使用AUC,精度,灵敏度和特异性的预测性能的验证.
- 用于模型解释性的SHAP分析.
主要成果:
- 结合放射学和临床特征的GBM模型实现了最高的预测性能 (AUC为0.939,准确率为0.87).
- 对于pCR的关键预测因素包括高Rad得分,PR阴性,ER阴性和HER-2-阳性状态.
- SHAP分析证实了这些因素对模型预测的贡献.
- 结合的GBM模型与单个模型相比,显示出更高的临床效用.
结论:
- 使用超声波放射学和临床数据的GBM模型有效预测BC患者接受NAC的pCR.
- 该模型的预测可以通过SHAP分析进行解释,突出显著的临床因素.
- 这种方法为优化乳腺癌管理中的治疗决策提供了有价值的工具.
