预测乳腺癌新辅助治疗结果的多模式深度学习:系统性审查
Eriseld Krasniqi1, Lorena Filomeno2, Teresa Arcuri3
1Phase IV Clinical Studies Unit, IRCCS Regina Elena National Cancer Institute, 00144, Rome, Italy. eriseld.krasniqi@ifo.it.
Biology direct
|June 23, 2025
概括
深度学习模型通过整合多种数据类型来预测乳腺癌 (BC) 的病理完整反应 (pCR). 多模态方法比单模态模型稍微提高了预测准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 病理完整反应 (pCR) 是乳腺癌 (BC) 在新辅助全身疗法 (NAST) 后的关键预后标志物.
- 深度学习 (DL) 通过整合多种数据源,为增强PCR预测提供了潜力.
- 本综述综合了用于BC pCR预测的多模式DL的证据,并将其与单模式DL进行比较.
研究的目的:
- 系统地审查和综合使用多式模式深度学习来预测乳腺癌 (BC) 病理完整反应 (pCR) 的证据.
- 为了比较多式联机DL模型与单式联机DL模型的性能,用于PCR预测.
- 在基于DL的pCR预测中识别趋势,常用方法和性能指标.
主要方法:
- 在PubMed,Embase和Web of Science (2015年1月至2025年4月) 进行了系统的文献搜索,遵循PRISMA指南.
- 包括使用DL预测BC患者接受NAST的pCR的研究,利用放射学,数字病理学 (DP),多omics或临床数据.
- 数据提取集中在研究设计,DL架构和报告的曲线下面面积 (AUC);由于数据异质性,进行了叙事综合.
主要成果:
- 分析了51项回顾性研究 (平均队列大小为281),磁共振成像和DP是常见的初级数据来源.
- 在52.9%的研究中,采用多模式DL方法,通常将成像与临床数据结合起来,主要使用卷积神经网络.
- 多模式模型与单模式模型相比,表现出适度但持续的改善 (中位数AUC为0.88与0.83),纵向成像的成像性能优于仅基线扫描 (中位数AUC为0.91与0.82).
结论:
- 深度学习模型显示,在乳腺癌中准确的PCR预测具有显著的潜力,特别是在整合多种数据模式和纵向成像时.
- 方法的异质性,依赖于追溯数据和有限的外部验证目前阻碍了广泛的临床翻译.
- 未来的研究应该专注于前性验证,纳入未充分利用的数据,如多主题和临床文本,并开发可解释的AI (XAI) 进行临床实施.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
