基于超声波放射学的机器学习和夏普利添加式扩展方法预测乳腺癌的病理预后阶段:二心和验证研究
Lei Chen1, YiXi Su1, Yaoqin Wang2
1Department of Ultrasound, Fujian Medical University Affiliated Union Hospital, Fuzhou, Fujian, China.
Clinical breast cancer
|June 1, 2025
概括
超声波放射学和机器学习模型可以预测乳腺癌的病理阶段. 这些模型为个性化治疗和预后提供了宝贵的见解.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 精确的术前病理预后乳腺癌 (BCa) 阶段确定对于治疗计划至关重要.
- 超声波 (US) 影像提供了BCa评估的非侵入性模式.
研究的目的:
- 开发和验证机器学习 (ML) 模型,利用美国放射学来预测BCa病理预后阶段.
- 评估这些模型在区分不同预后组的表现.
主要方法:
- 对578名BCa患者进行回顾性分析,提取,预处理和选择美国放射性特征.
- 开发五个ML模型和一个融合模型,将放射学与临床指标相结合.
- 使用接收器操作特征 (ROC) 曲线分析和SHapley添加式解释 (SHAP) 进行模型解释的性能评估.
主要成果:
- 从1333个提取的特征中选择了11个美国放射学特征.
- 多层感知器 (MLP) 模型实现了0.893 (训练) 和0.806 (测试) 的曲线下面积 (AUC).
- 融合模型表现出优异的性能,AUC为0.913 (训练) 和0.823 (测试).
结论:
- 美国基于放射学的ML模型显示了BCa病理预后阶段的术前预测的前景.
- 这些模型可以作为指导个性化治疗策略和预测患者结果的宝贵工具.
