基于CE-CBBCT的放射特征的机器学习模型显示了对HER2-阳性BC的有希望的预测能力

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确预测人类表皮生长因子受体2-阳性乳腺癌 (BC) 对于治疗选择至关重要.
• 与对比度增强的形光束乳房计算机断层扫描 (CE-CBBCT) 提供了乳腺癌评估的详细成像.

研究的目的:

• 开发和评估一个机器学习 (ML) 模型,使用CE-CBBCT放射性特征来预测HER2-阳性BC.
• 基于放射性数据,确定最佳的ML算法来预测HER2阳性BC.

主要方法:

• 对88名接受了手术前CE-CBBCT的侵袭性BC患者进行了回顾性分析.
• 使用PyRadiomics从CE-CBBCT图像中提取1046个放射性特征.
• 开发和比较六个ML算法 (SVM,RF,后勤回归,Adaboost,LDA,决策树) 用于预测.

主要成果:

• 随机森林 (RF) 模型在测试队列中实现了0.806的最高曲线下的面积 (AUC).
• 几种ML模型表现出有希望的预测能力,测试队列中的AUC从0.665到0.806不等.
• 射频模型显示,训练和测试队列之间的AUC在统计上有显著差异 (P=.035).

结论:

• 使用CE-CBBCT放射性特征的ML模型显示了预测HER2-阳性乳腺癌的显著潜力.
• 射频模型表现出卓越的诊断性能,突出了其在识别HER2-阳性BC中的实用性.