深度学习辅助的非侵入性淋巴结负担评估和CDK4 / 6i在光线乳腺癌中的管理

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 生物统计学 生物统计学

背景情况:

• 精确的淋巴结分期对光线乳腺癌治疗至关重要,特别是随着手术率的下降.
• 目前的方法可能不足以准确评估复发风险在缓解关手术的背景下.
• 优化CDK4/6抑制剂治疗需要精确评估淋巴结的参与.

研究的目的:

• 开发和验证一种多模式模型,即淋巴结预测网络 (LNPN),用于淋巴结负担评估.
• 评估LNPN在分化淋巴结转移的表现,在乳腺癌患者的光线.
• 探索LNPN在指导治疗决策中的实用性,包括CDK4/6抑制剂疗法和骨淋巴结解剖.

主要方法:

• 开发LNPN,一个综合临床病理参数和超声波特征的多模式模型.
• 多中心队列研究涉及411名乳腺癌患者.
• 使用曲线下的面积 (AUC) 对二元和三元淋巴结负担分类的性能评估.

主要成果:

• 在二进制分类 (N0与N+) 中,LNPN的AUC为0.92,三进制分类 (N0/N1-3/N ≥4) 的AUC为0.82.
• 在 sentinel 淋巴结活检 (SLNB) 后患有 1-2 个转移性淋巴结的患者中,LNPN 预测了高负荷转移 (N ≥ 4),AUC 为 0.77.
• 该模型在多样化的患者队列中表现出强大的性能.

结论:

• LNPN提供了一种非侵入性方法,用于评估淋巴结转移和光线乳腺癌复发风险.
• 这种工具有可能减少不必要的下淋巴结解剖 (ALND).
• 在光线乳腺癌患者中,LNPN可以帮助决策CDK4/6抑制剂治疗.