使用放射性特征和优化InceptionV3与DCE-MRI使用的乳腺癌病理完整反应的精细预测
Satyabrata Pattanayak1, Tripty Singh2, Rishabh Kumar3
1Department of Computer Sciences and Engineering, Amrita School of Computing, Amrita Vishwavidyapeetham, Bengaluru, Bengaluru, Karnataka, 560067, India.
Scientific reports
|July 30, 2025
概括
这项研究使用AI和MRI扫描预测乳腺癌治疗反应. 这种新的方法准确地识别了实现病理完整反应 (pCR) 的患者,以获得更好的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 新辅助疗法对于乳腺癌治疗至关重要,其目标是获得病理完整反应 (pCR),以减少复发.
- pCR表示完全根除癌细胞,改善患者的治疗结果和乳腺保存.
- 这项研究引入了一种新的pCR预测方法,使用MR图像中的放射性特征.
研究的目的:
- 开发和验证一种新的预测模型,用于识别可能在乳腺癌中达到病理完整反应 (pCR) 的患者.
- 通过将先进的放射性特征与深度学习模型相结合,提高pCR预测的准确性.
- 通过精确预测新辅助疗法反应,改进乳腺癌治疗策略.
主要方法:
- 从 -SPY 2 MRI 数据库中的 255 名患者的 dcom 系列中提取了先进的放射性特征 (例如,面积,周长,).
- 将提取的功能和像素数组应用于深度学习模型,包括InceptionV3,优化超参数,损失,优化器和激活函数.
- 通过使用准确度,AUC,灵敏度,特异性和F1评分进行可靠评估,验证了分类性能.
主要成果:
- 实现了pCR的优异预测性能,曲线下的面积 (AUC) 为0.91,准确度为0.92.
- 证明了将先进的放射性特征与InceptionV3模型结合起来,以提高PCR预测的有效性.
- 突出了放射科医生和人工智能之间的协作方法在提高预测准确性的价值.
结论:
- 集成先进的放射性特征和InceptionV3模型,加上严格的验证,显著提高了PCR分类的准确性和可信度.
- 开发的方法为预测乳腺癌患者的新辅助疗法反应提供了可靠的工具.
- 这项研究强调了人工智能驱动的放射学在个性化乳腺癌治疗和改善患者治疗结果方面的潜力.
