机器学习驱动的超声波放射学,用于评估状淋巴结在乳腺癌中的负担

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确评估下淋巴结负担 (ALNB) 对于乳腺癌的分期和治疗至关重要.
• 传统方法可能无法完全捕捉淋巴结转移的复杂性.

研究的目的:

• 评估结合超声波中的内和内放射学特征与临床数据的有效性.
• 开发一个预测模型,用于下淋巴结负担在乳腺癌患者.

主要方法:

• 分析了131名患有状淋巴结转移 (ALNM) 的乳腺癌患者.
• 使用最大相关性最小冗余性 (MRMR) 和最小绝对收缩和选择运算符 (LASSO) 的特征选择.
• 开发和评估六个机器学习模型,包括一个联合临床放射学模型.

主要成果:

• 综合后勤回归模型实现了高诊断性能 (AUC 0.857培训,0.820验证).
• 该模型显示了灵敏度和特异性之间的良好平衡.
• 作为一种实用的临床风险评估工具,开发了一个名图.

结论:

• 综合临床放射学模型显示出高ALNB的优异预测能力.
• 这种方法有可能优化乳腺癌患者的管理和治疗策略.