通过Semi-ALNP:一个多中心研究评估乳腺淋巴结转移风险

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 准确的下淋巴结 (ALN) 阶段测定对于乳腺癌 (BC) 治疗至关重要.
• 目前的方法依赖于侵入性活检或手术.
• 本研究介绍了一种使用放射学和机器学习 (ML) 的非侵入性方法.

研究的目的:

• 构建,评估和验证一个半监督的分类器,用于在BC中非侵入性地识别ALN转移.
• 通过减少侵入性手术的需要,改进分期和治疗策略.

主要方法:

• 从494名入侵性BC患者中对4191名ALN进行了回顾性分析.
• 提取CT放射性特征和构建受监督的ML模型.
• 开发一个半监督的多分类器 (半ALNP) 使用标记和未标记的数据.

主要成果:

• 监督多层感知子 (MLP) 模型实现了0.959.95的AUC.
• 半监督的MLP多分类器 (半ALNP) 在预测结节转移方面表现强.
• 在活检和cN0队列中的验证显示出高灵敏度和特异性,虚假阴性率低.

结论:

• 半ALNP准确评估BC患者的ALN状态,特别是识别高风险转移.
• 这种人工智能驱动的方法可以指导个性化治疗决策.
• 计划进行进一步的前性研究,以进行现实世界的临床验证.