基于拉伸指数扩散权重成像的机器学习模型,预测裸体小鼠乳腺癌模型中的TROP2表达

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:

• 热囊细胞表面抗原2 (TROP2) 是乳腺癌治疗的关键标.
• 评估TROP2表达的非侵入性方法对于治疗规划至关重要.
• 这项研究研究使用先进的成像技术预测TROP2表达.

研究的目的:

• 评估基于多b值扩散权重成像 (DWI) 的机器学习模型与伸展指数模型 (SEM) 的有效性,用于预测乳腺癌中TROP2表达.
• 为了比较极端梯度提升 (XGBoost),后勤回归和自适应提升 (AdaBoost) 分类器的性能.
• 识别关键的成像参数,以准确地预测TROP2表达.

主要方法:

• 32个裸体小鼠乳腺癌模型接受了1.5TMRI,使用多b值DWI.
• 使用FireVoxe软件提取了拉伸指数模型 (SEM) 参数 (DDC,α) 和直方图特征.
• 通过免疫组织化学染色 (IOD) 来量化TROP2表达;机器学习模型被训练和验证.

主要成果:

• 从38个提取的特征中选择了8个关键的成像参数.
• 在验证组中,XGBoost模型在0.828的曲线下面积 (AUC) 中获得了最高的值.
• 在训练 (AUC=1) 和测试集 (AUC=1) 中,XGBoost表现出色,校准良好,在决策曲线分析上具有有利的净效益.

结论:

• 使用基于SEM的DWI的机器学习模型显示了在乳腺癌中预测TROP2表达的巨大潜力.
• XGBoost分类器表现出卓越的预测准确性,突出显示了其对临床应用的承诺.
• 这种非侵入性方法可以帮助个性化乳腺癌治疗策略.