通过可解释机器学习模型与CEM和超声波集成,提高预测乳腺癌中带淋巴结转移的特异性
Weimin Xu1,2, Bowen Zheng1,3, Chanjuan Wen1
1Department of Radiology, Nanfang Hospital, Southern Medical University, Guangzhou, China.
Technology in cancer research & treatment
|April 17, 2025
概括
机器学习模型使用对比增强式乳房造影 (CEM) 和超声波 (美国) 的BI-RADS功能准确预测乳腺癌状淋巴结转移. 这有助于患者进行手术前的决策.
科学领域:
- 医疗成像医学成像
- 机器学习在瘤学中
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 准确预测状淋巴结转移对于乳腺癌的分期和治疗计划至关重要.
- 目前的方法依赖于侵入性程序,突出了对非侵入性预测工具的需求.
- 整合来自对比增强乳房学 (CEM) 和超声波 (美国) BI-RADS 的成像功能可能会提高预测准确性.
研究的目的:
- 评估可解释的机器学习模型在预测手术前状淋巴结转移中的性能.
- 从CEM和美国BI-RADS评估初级乳腺癌和淋巴结特征的实用性.
- 通过SHapley添加式扩展 (SHAP) 识别有助于转移预测的关键成像特征.
主要方法:
- 对292名原发性乳腺癌患者的回顾性分析.
- 两个放射科医生从CEM和美国图像中提取BI-RADS特征.
- 机器学习模型 (包括LightGBM和Random Forest) 的训练和组合,以病理结果为黄金标准;用于可解释性的SHAP.
主要成果:
- 结合的CEM和美国BI-RADS功能产生了最好的预测性能.
- 轻GBM模型实现了最高的AUC (0.762) 和特异性 (86.67%).
- 关键预测因素包括CEM上的淋巴结长直径和低能图像上的形态.
结论:
- 使用CEM和美国BI-RADS特征的机器学习模型在预测手术前状淋巴结转移方面表现出高准确性.
- 这些模型为乳腺癌管理中的临床决策提供了有价值的非侵入性工具.
- 可解释的人工智能可以识别淋巴结转移的显著成像生物标志物.
