开发和内部验证一个基于乳房影像的模型,融合临床,放射学和深度学习模型,用于预测乳腺癌中哨戒淋巴结转移的预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 哨兵淋巴结 (SLN) 转移是乳腺癌的关键预后因素.
• 准确的SLN状态评估对于治疗规划和患者的治疗结果至关重要.
• 目前用于SLN评估的方法存在局限性,需要改进的诊断工具.

研究的目的:

• 开发和验证一种新的基于乳腺造影 (MG) 的融合后模型,用于评估乳腺癌患者的SLN状态.
• 整合临床数据,放射性特征和深度学习模型,以提高预测性能.
• 评估拟议的融合模型的诊断准确性和临床实用性.

主要方法:

• 使用了290名接受MG的乳腺癌患者队列,数据分为培训,内部验证和外部测试集.
• 从MG图像 (MLO和CC视图) 中提取了放射性 (Rad) 和深度学习 (DL) 的特征.
• 通过结合使用支向量机 (SVM) 的单模模型的概率,通过AUC,DCA和校准曲线评估性能,开发了一个后融合模型 (临床+Rad+DL).

主要成果:

• 临床+Rad+DL融合后模型与单模或融合前模型相比,显示出更高的区分能力.
• 该模型在内部验证组中达到0.845 (95%CI:0.769-0.921) 的AUC,在独立测试组中达到0.825 (95%CI:0.812-0.932).
• 决策曲线分析和校准曲线表明了该模型的临床效用和预测准确性.

结论:

• 开发的临床+Rad+DL融合后模型有效预测乳腺癌中的SLN转移.
• 概率融合方法被证明是有效的,突出了整合不同数据模式的潜力.
• 这种方法在改善乳腺癌管理中SLN状态的非侵入性预测方面显著有前途.