超声波衍生深度学习功能用于预测状淋巴结转移在乳腺癌使用图形卷积网络在一个多中心的研究

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 轴淋巴结转移 (ALNM) 是乳腺癌的一个关键预后因素.
• 精确的ALNM手术前评估对于治疗计划和避免过度治疗至关重要.
• 目前对ALNM的诊断方法可能是侵入性的,可能并不总是确定的.

研究的目的:

• 开发和验证基于超声波的图形卷积网络 (美国GCN) 模型,用于预测乳腺癌患者的ALNM.
• 评估美国GCN模型在独立验证队列中的表现.
• 探索美国GCN模型在指导ALNM管理和防止过度处理方面的潜力.

主要方法:

• 追溯招募820名经过手术前超声波检查的乳腺癌患者 (美国).
• 开发基于美国的GCN模型,利用来自美国图像的深度学习功能.
• 使用两个独立的队列 (112名和87名患者) 验证模型.

主要成果:

• 美国的GCN模型在验证队列1中表现出令人满意的表现 (AUC:0.88,准确率:0.76).
• 该模型在验证队列2 (AUC:0.84,精度:0.75) 中也表现满意.
• 开发的模型显示了非侵入性ALNM检测和临床决策支持的潜力.

结论:

• 一个基于美国的GCN模型已成功开发和验证,用于在手术前评估乳腺癌患者的下淋巴结状况.
• 这种人工智能驱动的方法为检测ALNM提供了一种有希望的非侵入性方法,有助于临床决策.
• 预计未来的研究将为这种基于美国的GCN模型的临床实用性提供高水平的证据.