深度学习从多式超声波和MRI预测侵入性乳腺癌中的HER2状态

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 手术前的人类表皮生长因子受体2型 (HER2) 状态对于引导乳腺癌新辅助化疗 (NAC) 至关重要.
• 核心针活检对HER2状态的病理评估可能是不可靠的,因为瘤异质性和活检限制.
• 精确的手术前HER2状态确定对于优化乳腺癌治疗策略至关重要.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用超声波 (US) 和磁共振成像 (MRI) 来预测侵袭性乳腺癌中手术前的HER2状态.
• 为了比较DL模型的诊断性能,基于单独的US,单独的MRI和两种模式的组合.

主要方法:

• 这项研究包括了接受US和MRI的侵袭性乳腺癌患者.
• 深度学习模型 (DL-US,DL-MRI,DL-MRI&US) 使用US和动态对比增强的T1加权MRI图像进行构建.
• 用接收器操作特征分析和DeLong测试来评估模型性能,以术后病理评估为黄金标准.

主要成果:

• 结合DL-MRI和US模型显示出最高的诊断性能,曲线下面积 (AUC) 为0.898 (95%CI:0.777-0.967),灵敏度为63.2%,特异性为100.0%.
• 在DL-US模型中,AUC达到0.842 (95%CI:0.708-0.931),灵敏度为89.5%,特异性为79.3%.
• DL-MRI模型显示AUC为0.800 (95%CI:0.660-0.902),灵敏度为78.9%和特异性为79.3%.

结论:

• 深度学习模型,特别是在整合美国和MRI数据时,显示出精确的手术前HER2状态预测乳腺癌的巨大潜力.
• 这些人工智能驱动的方法可以克服传统活检方法的局限性,从而为新辅助化疗做出更精确的治疗决定.
• 需要进一步验证,但这些发现表明有希望的非侵入性方法可以改善乳腺癌的治疗.