对三个图形神经网络模型进行比较分析,用于预测乳腺癌早期阶段的带淋巴结转移

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 带淋巴结转移 (ALNM) 是乳腺癌管理中的关键预后因素.
• 准确预测ALNM会影响治疗决策,包括手术的必要性.
• 目前的诊断方法可能是侵入性的,或缺乏足够的预测准确性,用于早期的疾病.

研究的目的:

• 为了比较三个图形神经网络模型在早期乳腺癌中对ALNM的预测性能.
• 评估图形卷积网络 (GCN) 模型的实用性,使用轴心超声波和本病理学数据.
• 评估用于检测ALNM和指导临床决策的非侵入性AI工具的潜力.

主要方法:

• 开发了三个图形神经网络模型,并将它们与ALNM预测进行了比较.
• 用于模型训练和测试 (80%的训练,20%的测试) 的患者数据,包括腹超声波和组织病理学.
• 性能指标包括准确度,灵敏度,特异性,正预测值,负预测值,F1得分和曲线下的面积 (AUC).

主要成果:

• 图形卷积网络 (GCN) 在测试队列内预测ALNM方面表现最好.
• 在GCN模型中,ALNM预测的AUC为0.77 (95%CI:0.69-0.84).
• GCN模型显示出作为ALNM检测的非侵入性工具的巨大潜力.

结论:

• GCN模型提供了一种有前途的非侵入性方法,用于检测乳腺淋巴结转移在乳腺癌的早期阶段.
• 这种人工智能驱动的工具可以帮助临床医生做出关于手术干预和替代治疗的明智决策.
• 需要进一步的前性研究来验证GCN模型的临床实用性和有效性.