基于预治疗MRI和临床病理学数据的深度学习模型,用于预测三阴性乳腺癌中新辅助系统治疗的反应
Zhan Xu1, Zijian Zhou1, Jong Bum Son1
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, 1515 Holcombe Blvd., Houston, TX 77030, USA.
Cancers
|March 28, 2025
概括
深度学习模型使用MRI扫描和患者数据准确预测三阴性乳腺癌 (TNBC) 的治疗反应. 这些人工智能工具可以帮助个性化新辅助全身疗法 (NAST),以获得更好的患者结果.
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:
- 三重阴性乳腺癌 (TNBC) 在瘤治疗中提出了重大挑战.
- 预测对新辅助全身疗法 (NAST) 的病理完整反应 (pCR) 对治疗分层至关重要.
- 多参数乳腺MRI和临床病理学数据为预测建模提供了丰富的信息.
研究的目的:
- 开发和验证深度学习模型,用于预测TNBC患者的PCR到NAST.
- 评估预治疗前多参数乳腺MRI和临床病理学数据在预测模型开发中的有用性.
- 调查各种模型参数对预测性能的影响.
主要方法:
- 一项针对282名TNBC患者 (I-III阶段) 的前性研究,使用基线多参数MRI (DCE,DWI) 和临床病理学数据.
- 开发和内部测试48个不同的3D深度学习模型.
- 使用I-SPY 2试验数据进行外部验证.
- 系统地调查3D模型框架,瘤体积预处理,ROI选择和数据输入.
主要成果:
- 最好的内部模型整合了DCE,DWI和临床病理学数据,达到0.76.7的AUC.
- 外部验证显示出强的性能,仅使用DCE或DWI的模型实现了0.72.7的AUC.
- 模型性能受到3D框架的选择,瘤体积处理和数据输入的影响.
结论:
- 使用预处理数据的3D深度学习模型可以有效地预测TNBC中的PCR到NAST.
- 这些模型有望在TNBC管理中增强个性化治疗策略.
- 进一步的研究可以完善这些模型,以提高临床适用性.
