基于对比增强乳房造影的可解释机器学习模型用于预测分子亚型乳腺癌的预测
Mengwei Ma1, Weimin Xu1, Jun Yang1
1Department of Radiology, Nanfang Hospital, Southern Medical University, Guangzhou, Guangdong, 510515, China.
BMC medical imaging
|July 2, 2025
概括
机器学习模型使用对比增强式乳房造影 (CEM) 功能可以预测乳腺癌亚型. 来自CEM的放射特征显示与Luminal,HER2丰富和三阴性乳腺癌的关联.
科学领域:
- 放射学 放射学是指放射学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 准确的乳腺癌亚型确定对于治疗选择至关重要.
- 与对比度增强的乳房学 (CEM) 提供了详细的成像见解.
- 机器学习可能会将成像特征与分子亚型相关联.
研究的目的:
- 开发一种机器学习模型,使用CEM特征预测乳腺癌分子亚型.
- 探索CEM成像特征与乳腺癌亚型之间的相关性.
- 确定可预测特定亚型的关键成像特征.
主要方法:
- 对241名接受CEM的乳腺癌患者进行了回顾性分析.
- 随机训练 (70%) 和测试 (30%) 套件.
- 具有LASSO特征选择的多项天真贝叶斯分类器.
- 使用ROC曲线下的面积 (AUC) 和SHAP值进行评估.
主要成果:
- 结合低能 (LE) 和双能减去 (DES) 的CEM模型实现了最高的AUC (0.798 Luminal,0.695 TNBC,0.773 HER2丰富).
- 关键预测因素包括利率和均增强模式.
- 像"LE_mass_margin_spiculated"和"DES_mass_enhanced_margin_spiculated"这样的特定特征显著影响了预测.
结论:
- 来自CEM的放射性特征与乳腺癌分子亚型有关.
- 开发的机器学习模型表明了潜在的亚型预测.
- 建议进行进一步的验证研究来证实这些发现.
