这页已由机器翻译。其他页面可能仍然显示为英文。
View in English
结合多序MRI放射学和息地成像的融合模型,用于预测新辅助疗法治疗的乳腺癌的病理完整反应
在PubMed上查看摘要
概括
此摘要是机器生成的。一个结合MRI放射学,深度学习和息地成像的新模型准确地预测接受新辅助疗法 (NAT) 的乳腺癌患者的病理完整反应 (pCR). 这种融合模式为个性化治疗决策提供了一个非侵入性的工具.
科学领域
- 癌症学
- 放射学
- 人工智能
背景情况
- 接受新辅助疗法 (NAT) 的乳腺癌患者需要准确预测病理完整反应 (pCR).
- 目前的预测方法可能无法完全捕捉瘤异质性和治疗反应.
- 整合多模式成像数据可能会提高预测准确性.
研究的目的
- 在接受NAT的乳腺癌患者中开发和验证pCR的预测模型.
- 整合多序MRI放射学,深度学习功能和息地成像以提高预测.
- 评估模型的性能和可用于临床应用的解释性.
主要方法
- 对203名接受NAT治疗的乳腺癌患者进行了回顾性分析.
- 从多序MRI (T2WI,DWI,DCE-MRI) 和息地成像分析中提取放射性特征.
- 使用ROC,PR曲线,DCA和可解释性技术 (SHAP,LIME) 的融合机器学习模型的开发和验证.
主要成果
- 聚变模型在试验组中显示出优异的预测性能,AUC为0. 913.
- 与单个区域模型相比,观察到精确回忆平衡和更高的临床益处.
- SHAP分析确定了影响pCR预测的关键放射性特征,提高了模型的可解释性.
结论
- 整合多维MRI特征和息地成像可以显著提高乳腺癌的pCR预测.
- 开发的融合模型是指导个性化的新辅助治疗策略的强大,非侵入性工具.
- 通过SHAP和LIME的模型解释性支持临床信任和应用.

