开发和验证可解释的机器学习模型,用于诊断乳腺癌的病理完整反应

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 无线电学和深度学习

背景情况:

• 在新辅助化疗 (NACT) 后的病理完整反应 (pCR) 对乳腺癌预后至关重要,可能使手术遗漏成为可能.
• 准确的,非侵入性的pCR诊断是具有挑战性的,特别是当瘤在NACT后消失时,由于目前的成像限制.

研究的目的:

• 开发和验证一个创新的框架,用于乳腺癌患者的pCR的非侵入性诊断.
• 为应对在NACT后缺少目标病变的情况下分析成像数据的挑战.

主要方法:

• 开发了一个使用层次图像维度积累 (DALI) 和注意力盒工具的新框架.
• 将3DMRI转换为2D,使用组织区域正常化和减去成像进行预处理.
• 提取了放射性和深度学习特征,集成到一个堆叠的整体机器学习模型中.

主要成果:

• 堆叠组合模型在测试组中实现了0.831的AUC,表现优于单个模型.
• 预处理技术显著提高了诊断准确度.
• 通过确定关键预测变量,SHAP分析确保了模型的可解释性.

结论:

• 该创新框架成功地解决了非侵入性PCR诊断方面的挑战.
• 先进的预处理和机器学习提高了手术决策的特征质量和模型性能.
• 这种方法可以帮助临床医生识别有资格接受手术的患者,减少过度治疗并提高生活质量.