在例行全乳腺乳房显微镜的深度学习提高了早期乳腺癌中淋巴结转移的预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 缓解乳腺癌手术的趋势需要改进的方法来评估关分期的必要性.
• 精确的术前预测淋巴结转移对于手术规划至关重要.

研究的目的:

• 评估深度学习模型的有效性,利用常规乳房造影来预测早期乳腺癌中淋巴结转移的情况.
• 评估基于乳房影像的模型是否可以改善仅使用临床变量进行的预测.

主要方法:

• 对1265名患有cN0 T1-T2乳腺癌的乳腺扫描和临床病理学数据的回顾性分析.
• 开发和验证深度学习模型,包括全乳腺乳房影像和临床变量.
• 使用ROC AUC和净收益分析对模型性能进行比较.

主要成果:

• 与单独临床变量 (ROC AUC 0.690) 相比,采用全乳腺乳房造影的模型显著提高了预测准确性 (ROC AUC 0.774).
• 组合模型显示了良好的校准和高灵敏度 (≥90%) 的显著净益.
• 观察到哨兵淋巴结活检的潜在减少为41.7%.

结论:

• 常规的乳房影像,特别是全乳房图像,可以提高乳腺癌中结节状况的术前预测.
• 基于乳腺造影的深度学习模型可能有助于对患者进行分层,并减少对侵入性分阶段程序的需求.
• 这些发现支持将基于成像的预测模型整合到乳腺癌手术决策中.