整合多式超声波成像用于改善乳腺癌中放射学哨兵淋巴结评估

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:

• 准确的手术前评估哨戒淋巴结 (SLN) 状态对于乳腺癌 (BC) 治疗计划至关重要.
• 哨兵淋巴结活检 (SLNB) 是侵入性的,可能不适用于所有患者,特别是临床上阴性淋巴结疾病患者.
• 整合B模式超声波 (BMUS),彩色多普勒超声波 (CDUS),放射学和深度学习可能会增强非侵入性SLN转移的预测.

研究的目的:

• 开发和验证使用联合BMUS和CDUS成像的深度学习放射学模型.
• 在乳腺癌患者中非侵入性地预测SLN转移.
• 为了评估模型的性能与手工制作和深度学习功能单独.

主要方法:

• 450名侵入性BC患者的回顾性分析,分为培训,验证和测试集.
• 从BMUS图像和深度学习功能中提取手工制作的功能,使用基于BMUS和CDUS图像的双流MobileNetV2网络.
• 三种模型的开发:仅手工制作的功能 (ONLY_HF),仅深度学习的功能 (ONLY_DF) 和综合功能 (COMB),根据曲线下的面积 (AUC) 进行评估.

主要成果:

• 与ONLY_HF和ONLY_DF.相比,COMB模型整合了六个手工制作和四个深度学习功能,在集合中实现了更高的AUC (0.888,0.861,0.837).
• COMB显示了最高的负预测值 (NPV) (88.89%,76.60%,71.23%),表明它具有强大的预测能力来排除转移.
• 在所有评估的集合中,ONLY_HF和ONLY_DF模型显示了明显较低的AUC和NPV.

结论:

• 该COMB深度学习放射学模型有效预测SLN转移非侵入性使用多式超声波成像.
• COMB模型的高NPV可以帮助指导关治疗决策,并可能减少不必要的侵入性手术.
• 这种多式成像和机器学习方法显示出作为个性化乳腺癌管理的补充工具的承诺.