使用CT放射学预测乳腺癌对新辅助化疗的反应
Deok Hyun Jang1,2,3, Laurentius O Osapoetra1,2,4, Lakshmanan Sannachi1,2,4
1Physical Sciences, Sunnybrook Research Institute, Toronto, ON M4N 3M5, Canada.
Cancers
|August 28, 2025
概括
这项研究开发了一种机器学习模型,将CT放射特征和临床数据结合起来,以预测乳腺癌患者的新辅助化疗反应,从而能够更早地进行治疗调整.
科学领域:
- 医学成像
- 癌症学
- 人工智能
背景情况:
- 新辅助化疗 (NAC) 的反应对乳腺癌的预后至关重要.
- 目前的评估依赖于手术后的病理,延迟治疗适应.
- 预测NAC治疗前的反应对于个性化治疗至关重要.
研究的目的:
- 开发和验证一个机器学习模型,整合治疗前CT扫描和临床变量中的放射性特征.
- 预测乳腺癌患者对NAC的病理完整反应 (pCR) 和临床反应.
- 改善针对个人的乳腺癌治疗疗效的早期预测.
主要方法:
- 从治疗前对比度增强的CT扫描中提取了214个放射性特征.
- 将7个临床基线变量纳入预测模型.
- 开发了一个基于XGBoost的模型,并使用十个独立数据分区的精度,AUC和其他指标评估其性能.
主要成果:
- 结合的临床-放射性模型在pCR和临床反应预测上显著优于仅使用放射性或临床特征的模型.
- 对于pCR分类,组合模型的准确度为82. 8%,AUC为0. 846.
- 对于临床反应分类,组合模型的准确度为71. 7%,AUC为0. 725.
结论:
- 将CT衍生的放射性特征与临床数据相结合,可提高乳腺癌新辅助化疗反应的预测.
- 这种方法支持更早,更个性化的治疗决策.
- 这些发现突显了人工智能驱动的成像分析在优化乳腺癌治疗策略方面的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
