基于MRI放射学的可解释模型,可以预测乳腺癌中Ki-67的表达
Li Zhang1, Qinglin Du1, Mengyi Shen1
1Department of Radiology, Affiliated Hospital of North Sichuan Medical College, No 1 Maoyuan South Road, Nanchong, 637000, Sichuan, China.
Scientific reports
|April 17, 2025
概括
这项研究开发了一种可解释的机器学习模型,使用动态对比增强磁共振成像 (DCE-MRI) 放射学和临床数据来预测乳腺癌 (BC) 中的Ki-67表达. 组合模型实现了高精度,有助于制定治疗策略.
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:
- 基-67表达是乳腺癌 (BC) 预后和治疗选择的关键生物标志物.
- 准确预测Ki-67水平对于个性化BC管理至关重要.
- 目前用于Ki-67评估的方法可能是侵入性的和耗时的.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测BC患者的Ki-67表达.
- 将动态对比增强磁共振成像 (DCE-MRI) 放射学与临床成像功能相结合.
- 为了提高模型的解释性,使用Shapley增量解释 (SHAP) 算法.
主要方法:
- 用DCE-MRI数据对195名BC患者 (201病变) 的回顾性分析.
- 开发使用后勤回归的临床成像,放射学和联合预测模型.
- 通过皮尔森相关和递归特征消除 (RFE) 进行特征选择.
- 使用曲线下的面积 (AUC) 来进行模型解释和评估的SHAP算法的应用.
主要成果:
- 与临床成像 (0.682/0.666) 和放射学 (0.797/0.796) 模型相比,组合模型表现出优异的性能,AUC为0.821 (训练) 和0.802 (测试).
- 组合模型在准确度上显著改善 (11.8%和2.1%在训练中;11%和1.74%在测试中).
- SHAP分析发现"ph2-原始形状-表面体积比"是最有影响力的特征.
结论:
- 一个集成DCE-MRI放射学和临床成像特征的可解释的机器学习模型可以准确地预测BC Ki-67表达.
- 组合模型比使用单个数据类型的模型提供了更好的预测性能.
- 通过SHAP增强的可解释性促进了BC治疗策略的临床决策.
