基于深度学习的放射学并没有改善LIMA乳腺MRI试验中化学治疗后的残留癌症负担预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 在新辅助化疗 (NAC) 后准确评估残留癌症负担 (RCB) 对于局部晚期乳腺癌的治疗分层至关重要.
• 像瘤体积和亚型这样的标准预测因素在完全捕捉治疗反应方面存在局限性.

研究的目的:

• 评估与传统方法相比,深度放射学在预测RCB方面的附加值.
• 评估深度学习衍生的放射性特征的性能,以预测病理完整反应 (pCR) 和后NAC的RCB.

主要方法:

• 从LIMA试验中对105名患者 (培训) 和41名患者 (外部测试) 的回顾性分析.
• 使用三个深度学习网络 (nnU-Net,注意力U-net,VQ-ED) 进行瘤细分.
• 随机森林模型对深层放射性特征,瘤体积和亚型进行训练,以预测RCB得分.

主要成果:

• 深度放射学模型实现了pCR的AUC为0.68-0.74和RCB的AUC为0.68-0.79.
• 只有瘤体积模型的AUC为pCR的0.74和RCB的0.70.
• 在深度放射学和标准预测者之间没有观察到统计学意义上的差异;深度放射学没有提供补充信息.

结论:

• 从细分网络中提取的深度放射学特征提供了与瘤体积和亚型相比的信息,用于预测pCR和RCB.
• 深度放射学在这个队列中没有提高标准临床放射学模型的预测性能.
• 瘤体积和亚型仍然是关键预测因素,如果这些不能实现,深度放射学作为潜在的替代方案.