在乳腺癌患者中使用纵向多区域超声波预测腹病理完整反应

科学领域:

• 癌症学
• 医学成像
• 人工智能

背景情况:

• 准确评估残留结节疾病对于指导乳腺癌患者的手术至关重要.
• 目前用于癌症成像的深度学习模型缺乏解释性, 阻碍了临床翻译.
• 开发非侵入性生物标志物以纵向跟踪瘤负担可以改善患者管理.

研究的目的:

• 开发和验证可解释的信息共享-私人 (iShape) 模型,用于预测关病理完整反应.
• 评估iShape模型从纵向主要瘤和带淋巴结 (ALN) 超声波图像中学习的能力.
• 评估iShape模型在接受新辅助疗法 (NAT) 的ALN阳性乳腺癌患者中指导手术决策的潜力.

主要方法:

• 一项多中心的回顾性研究包括1135名接受NAT的ALN阳性乳腺癌患者.
• 该模型对371名患者进行了训练,并对三个外部组 (295,244,225名患者) 进行了验证.
• 使用接收器运行特征曲线下的区域 (AUC) 评估模型性能,并使用和不使用哨戒淋巴结活检 (SLNB) 评估虚假阴性率 (FNR).

主要成果:

• 在外部验证组中,iShape模型实现了高AUC (0. 950- 0. 971),超过了现有的临床和成像模型.
• 在各种患者亚组和治疗方案中,iShape表现强.
• iShape显著降低了SLNB的FNR,从13. 4%降至3. 6%,有助于做出下淋巴结解剖的决定.

结论:

• 在接受NAT的乳腺癌患者中,iShape模型在精确量化ALN状态方面表现出色.
• 这种人工智能驱动的方法有可能个性化治疗决策并减少不必要的带淋巴结解剖.
• 功能可视化和RNA测序为iShape模型的决策过程和生物基础提供了洞察力.