用磁共振成像技术预测三阴性乳腺癌亚型的细分变异性和放射性稳定性

科学领域:

• 医疗成像医学成像
• 无线电学 (Radiomics) 是一种无线电学.
• 机器学习 机器学习

背景情况:

• 对轮变化敏感的放射性特征通常被排除在预测模型之外.
• 类内相关系数 (ICC) 通常用于评估指导选择的特征稳定性.
• 分段变量的对预测模型性能直接影响尚不清楚.

研究的目的:

• 调查细分变化如何影响特征稳定性和基于放射学分类的三阴性乳腺癌 (TNBC) 的预测性表现.
• 分析细分变异性,特征稳定性指标 (ICC,皮尔森相关性) 和放射性特征的预测实用性之间的关系.

主要方法:

• 来自杜克大学数据集的244张乳腺MRI图像的分析,具有受控的细分变异性.
• 使用Shapley添加式解释选择可解释的放射性特征.
• 训练用于TNBC分类的后勤回归模型.
• 使用ICC,皮尔森相关性和可靠性得分来评估特征稳定性.

主要成果:

• 在预测TNBC时,模型的性能在不同的细分口罩中没有显著差异.
• 由于高的皮尔森相关性,高度预测的特征保持了它们的实用性,尽管 ICC 降低,细分精度降低,由于高的皮尔森相关性.
• 对于最具预测性的特征,没有发现特征稳定性和细分变异性之间的一致的数值关系.

结论:

• 适度的细分变化对TNBC的放射学模型的预测性能的影响有限.
• 特征稳定性不是预测相关性的严格先决条件,这表明过度依赖稳定性指标可能会丢弃有价值的特征.
• 放射性特征的预测实用性即使在降低可复制性的情况下也可以保持,特别是当结合周围信息时.