FDG-PET/CT和多模式机器学习模型预测三阴性乳腺癌中对新辅助化疗的病理完整反应

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 三重阴性乳腺癌 (TNBC) 是具有侵略性和异质性的,其结果与新辅助化疗 (NAC) 反应有关.
• 在NAC后的病理完整反应 (pCR) 与TNBC中改善的患者存活率相关.
• 在治疗前预测pCR对于定制治疗和改善结果至关重要.

研究的目的:

• 开发和验证用于预测TNBC患者的PCR的机器学习 (ML) 算法.
• 从多式联运基线数据中识别PCR的关键预测因素.
• 探索预测的pCR与无事件生存率 (EFS) 之间的关联.

主要方法:

• 分析了一组57名在NAC之前接受FDG-PET/CT的TNBC患者.
• 一个ML算法使用241个预测因子进行训练:临床,组织病理学,基因组学和PET放射性特征.
• 用ROC曲线下的面积 (AUC) 评估预测性表现;用Kaplan-Meier分析EFS.

主要成果:

• 最好的ML模型在pCR预测中实现了0.82的AUC.
• 预测因素包括PET,放射性,组织病理学,基因组学和临床特征的组合,强调了多式联络数据的重要性.
• 预测pCR的患者表现出更长EFS的趋势,尽管不具有统计学意义 (p=0.09).

结论:

• 使用基线多式联络数据的ML模型可以在接受NAC的TNBC患者中有效预测pCR.
• 这种预测能力可能有助于识别可能受益于强化治疗或免疫治疗的患者.
• 该研究强调了整合各种数据类型的潜力,以实现个性化的TNBC管理.