综合性放射基因组学使用MRI放射学和微阵列基因表达分析来预测乳腺癌患者接受新辅助化疗的病理完整反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 预测乳腺癌中新辅助化疗 (NAC) 的病理完整反应 (pCR) 是具有挑战性的,因为反应率可变.
• 识别可靠的预测标记对于优化治疗策略和改善患者治疗结果至关重要.

研究的目的:

• 评估和比较三种机器学习模型对乳腺癌患者在NAC后的pCR的预测准确度.
• 评估的模型包括放射学 (MRI特征),基因学 (DNA微阵列数据) 和放射学 (集成的MRI和微阵列数据).
• 该研究旨在确定使用一致的数据集和分析管道最精确的非侵入性预测模型.

主要方法:

• 在NAC之前对112名接受DNA微阵列和MRI的乳腺癌患者进行了回顾性分析.
• 患者被分为PCR (N=21) 和非PCR (N=91) 组.
• 模型性能使用重复分层嵌套交叉验证进行评估,并通过ROC-AUC进行评估,通过DeLong的测试测试统计学意义.

主要成果:

• 放射基因组学模型的AUC达到0.607,超过放射基因组学 (AUC0.563) 和基因组学 (AUC0.559).
• 尽管AUC较高,但放射基因组学模型对预测准确性的改进并不具有统计学意义 (p>0.05).

结论:

• 基于机器学习的放射基因组学整合了MRI和DNA微阵列数据,证明了在NAC后预测pCR的准确性有所改善,尽管在统计上并不显著.
• 这些发现突显了放射基因组学作为一种非侵入性工具的潜力,以支持接受NAC的乳腺癌患者的临床决策.