在HER2-低乳腺癌中基于深度学习的复发预测:MRI单独,临床病理单独和组合模型的比较
Seoyun Choi1, Youngmi Lee2, Minwoo Lee3
1Department of Radiology, Research Institute of Clinical Medicine of Jeonbuk National University-Biomedical Research Institute of Jeonbuk National University Hospital, Jeonbuk National University Medical School, Jeonju 54907, Republic of Korea.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
结合MRI和临床病理学数据的新型深度学习模型准确地预测了HER2-低乳腺癌患者的复发风险. 这种多式联运方式增强了个性化风险评估,以便制定更好的后续策略.
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:
- 低HER2乳腺癌复发风险分层仍然具有挑战性.
- 准确的预测模型对于个性化治疗和后续策略至关重要.
研究的目的:
- 开发和比较深度学习 (DL) 模型,用于预测低HER2乳腺癌复发风险.
- 评估MRI单独,临床病理单独和联合DL模型的性能.
主要方法:
- 分析了453名低HER2乳腺癌患者的手术前MRI和临床病理学数据.
- 开发了三种DL模型:MRI-CNN,临床病理-MLP和组合多式模式.
- 使用AUC,灵敏度,特异性和F1分数进行性能评估.
主要成果:
- 临床病理学单独模型显示AUC最高 (0.92),但特异性较低 (72.3%).
- 单独使用MRI模型的AUC值为0.69.
- 组合模型以AUC为0.90,灵敏度为80.0%,特异性为83.2%,最高F1得分为0.55,实现了平衡的性能.
结论:
- 整合MRI和临床病理特征的DL模型在预测低HER2乳腺癌复发时表现出卓越的性能.
- 这种多式联运方法为个性化风险评估提供了一个框架.
- 这些发现可能有助于完善对HER2-低乳腺癌患者的随访策略.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
194
