基于DCE-MRI的瘤内子区域的深度学习分析,用于预测乳腺癌中的Ki-67表达水平

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:

• 基-67表达是乳腺癌扩散和预后的关键生物标志物.
• 准确预测Ki-67水平可以指导治疗决策.
• 目前评估Ki-67的方法可能是侵入性的或耗时的.

研究的目的:

• 评估深度学习 (DL) 分析动态对比增强MRI (DCE-MRI) 中瘤内亚区域的有效性,以预测乳腺癌中Ki-67表达水平.
• 为了比较基于整个瘤与瘤内亚区域的DL模型的预测性能.

主要方法:

• 从290名乳腺癌患者的DCE-MRI数据的回顾性收集.
• 使用k-means集群来识别瘤子区域 (息地).
• 使用3D ResNet18预训练模型提取了DL特征,并构建了用于预测的逻辑回归模型,用AUC和DCA评估性能.

主要成果:

• 与整个瘤模型相比,分析瘤子区域 (息地1和息地2) 的DL模型显示出Ki-67水平的优异预测.
• 息地1模型实现了0.771 (验证) 和0.794 (外部测试) 的AUC.
• 综合两次区域的组合模型实现了最高的预测能力,AUC为0.808 (验证) 和0.842 (外部测试),显示出显著的临床价值.

结论:

• 从DCE-MRI中对内子区域的深度学习分析是预测乳腺癌中Ki-67表达的有希望的非侵入性方法.
• 在DL模型中整合多个子区域显著提高了预测性能.
• 这种方法提供了一种更准确和潜在的更有效的方式来评估瘤增殖.