使用CT纹理特征和机器学习预测局部晚期乳腺癌患者在治疗前的化疗反应:特征选择方法的比较

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 新辅助化疗 (NAC) 是局部晚期乳腺癌 (LABC) 的标准治疗方法.
• 准确预测NAC反应对于个性化治疗策略和改善患者治疗结果至关重要.
• 目前用于预测LABC患者NAC反应的方法存在局限性.

研究的目的:

• 开发和评估机器学习模型,用于预测LABC患者对NAC的瘤反应.
• 为了利用纹理计算机断层扫描 (CT) 功能及其波形系数用于预测建模.
• 确定最佳的特征选择方法,以提高预测准确度.

主要方法:

• 分析了117名接受NAC治疗的LABC患者的数据集.
• 从CT图像中提取了851个纹理生物标志物和波形系数.
• 机器学习分类器使用原始图像特征,波形特征或组合进行训练.
• 使用包括mRMR在内的特征选择技术来确定顶级预测特征.

主要成果:

• 该研究的预测准确度达到77%的保留数据和75%的交叉验证.
• 由mRMR选择的前5个特征的K-最近邻居 (KNN) 分类器表现最好.
• 原来的纹理和波形特征的组合为NAC响应提供了更高的预测准确性.

结论:

• 集成CT纹理和波形特征的机器学习模型可以准确地预测LABC患者的NAC反应.
• 这种预测能力允许对治疗结果进行治疗前评估.
• 开发的模型可以作为指导LABC患者治疗修改的推系统.