使用超声波放射学对乳腺癌中Ki-67表达的非侵入性评估:一个多机构研究
Sijie Mo1, Zhibin Huang1, Jing Zheng2
1The Second Clinical Medical College, Jinan University, Shenzhen, China.
Cancer research and treatment
|September 11, 2025
概括
机器学习模型通过超声波图像准确地预测乳腺癌的Ki-67表达. 这种非侵入性方法有助于为乳腺癌患者进行个性化治疗计划.
科学领域:
- 放射学和机器学习在瘤学中的应用
- 医学成像和诊断 医学成像和诊断
- 生物标志物的预测预测
背景情况:
- 基-67表达是乳腺癌 (BC) 中一个关键的预后和预测生物标志物.
- 准确预测Ki-67表达对于个性化治疗策略至关重要.
- 目前用于Ki-67评估的方法可能是侵入性的和耗时的.
研究的目的:
- 开发和验证机器学习 (ML) 模型,使用超声波 (美国) 乳腺癌图像预测Ki-67表达.
- 确定与Ki-67表达相关的独立临床因素.
- 在外部数据集上评估模型性能.
主要方法:
- 分析了347名BC患者的美国图像 (培训和外部测试集).
- 使用Pyradiomics包和手动兴趣区域划分,提取放射性特征.
- 开发和评估后勤回归 (LR),支向量机 (SVM) 和多层感知子 (MLP) 模型,通过ROC曲线评估性能,精度,灵敏度和特异性.
主要成果:
- 后勤回归 (LR) 模型获得了最佳性能,在外部测试集上,曲线下的面积 (AUC) 为0.800.
- 基-67表达的关键预测因素包括定义不良的质量最大直径和HER2表达.
- 还确定了其他几个重要的临床变量作为预测因素.
结论:
- 来自美国乳腺癌图像的放射学模型可以准确地预测Ki-67的表达.
- 这种非侵入性方法为临床决策提供了宝贵的支持.
- 这些发现有助于为乳腺癌患者进行个性化治疗计划.
