基于机器学习的预测光线乳腺癌亚型使用偏光光显微镜

科学领域:

• 生物医学光学 生物医学光学
• 计算病理学计算病理学
• 癌症的诊断 癌症的诊断

背景情况:

• 区分光线A和B乳腺癌亚型 (LBCS) 对于治疗至关重要,但在常规组织病理学方面具有挑战性.
• 经常需要辅助测试,突出需要改进的诊断方法.
• 穆勒矩阵极性测量 (MMP) 分析了极化光与组织的相互作用,为乳腺癌分析提供了一种新的方法.

研究的目的:

• 评估穆勒矩阵极度测量 (MMP) 在分辨光线A和B乳腺癌亚型中的有效性.
• 探索MMP与改善乳腺癌亚型的临床参数相结合的潜力.
• 评估在极度测量和临床数据上训练的机器学习模型的诊断性能.

主要方法:

• 通过BluePrint®试验分类的116个乳房核心活检中的30个极度测量和7个临床参数的分析.
• 训练机器学习模型 (逻辑回归,LDA,SVM,随机森林,XGBoost) 来区分LBCS.
• 接收器操作特征 (ROC) 曲线分析以评估模型性能 (AUC,精度,灵敏度,特异性).

主要成果:

• 通过特征重要性确定了前六个生物标志物 (3 polarimetric, 3 临床).
• 一个随机森林模型实现了81%的准确性和86%的ROC曲线下的面积.
• 最好的模型在一个独立的测试组中显示出75%的灵敏度和75%的特异性.

结论:

• 当MMP,特别是精选的穆勒矩阵元素,在与BluePrint®进行验证时,显示出区分LBCS的潜力.
• 这种光学方法可以通过检测微妙的形态差异来改善乳腺癌的预后.
• 这些发现表明,MMP可以帮助指导乳腺癌治疗决策.