一个动态对比增强的基于MRI的视觉转换器模型,用于区分HER2-Zero, -Low和 -Positive表达在乳腺癌中,并探索模型解释性
Xu Zhang1,2,3, Yi-Yuan Shen1,3, Guan-Hua Su2,3
1Department of Radiology, Fudan University Shanghai Cancer Center, Fudan University, Shanghai, 200032, China.
概括
使用MRI图像的新视觉变压器 (ViT) 模型准确地预测了乳腺癌患者的人类表皮生长因子受体2 (HER2) 表达. 这种非侵入性方法有助于针对HER2-零,低和阳性瘤的个性化治疗策略.
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:
- 新型抗体-药物联体对乳腺癌患者具有低人体表皮生长因子受体2 (HER2) 表达的承诺.
- 准确的HER2表达评估对于指导向治疗和改善患者治疗结果至关重要.
研究的目的:
- 开发和验证使用动态对比增强MRI (DCE-MRI) 来分类HER2-零,低和阳性乳腺癌的视觉转换器 (ViT) 模型.
- 探索ViT模型的解释性及其与生物途径和患者存活率的相关性.
主要方法:
- 在708名患者的DCE-MRI数据 (FUSCC队列) 上训练和验证了一个ViT模型,并在外部队列 (GFPH和FHCMU) 上进行了测试.
- 该模型分析了MRI图像中的早期增强模式,以预测HER2表达水平.
- 进行了转录学和考克斯回归分析,以调查生物差异和预后意义.
主要成果:
- 在不同队列中,ViT模型在区分HER2-zero和HER2-low/positive瘤方面取得了显著的AUC (0.71-0.80).
- 获得高AUC (0.79-0.86) 来分类HER2-低与HER2-阳性病例.
- 该模型的预测得分是整体生存期的独立预后因素 (HR=2.52,p=0.007),转录组学揭示了与免疫相关的途径差异.
结论:
- 开发的ViT模型提供了一种非侵入性,准确的方法来预测乳腺癌中的HER2表达.
- 这种方法可以为个性化治疗策略提供精确的患者分层.
- 需要进一步的前性研究来确认临床效用.
