通过基于息地的放射学和投票算法,提高对乳腺癌中带淋巴结转移的预测能力

科学领域:

• 医学成像分析 医学成像分析
• 机器学习在瘤学中
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 准确预测状淋巴结转移 (ALNM) 对乳腺癌的分期和治疗计划至关重要.
• 传统的成像方法在充分描述瘤异质性和预测ALNM时存在局限性.

研究的目的:

• 开发和评估一个机器学习模型,将基于息地的放射学从B模式和对比增强超声波 (CEUS) 图像与投票算法集成在一起.
• 在乳腺癌患者中预测状淋巴结转移 (ALNM).

主要方法:

• 追溯分析了246名乳腺癌患者的超声波图像.
• 从整个瘤和亚区域区域提取放射学特征,使用B模式和CEUS.
• 开发一个投票算法,以整合基于息地的放射学,传统的放射学和临床数据.

主要成果:

• 基于息地的组合模型在测试集上预测ALNM时达到了87.76%的准确性,超过了传统模型 (79.59%的准确性).
• 与传统方法相比,基于息地的放射学在捕捉瘤异质性的能力更强.
• 双模超声波和投票算法的集成显著改善了预测性能 (p < 0.05).

结论:

• 基于息地的放射学提供了一种更有效的方法来表征乳腺癌中的瘤异质性.
• 双模超声波与投票算法相结合,为ALNM预测提供了一个强大的方法.
• 这种方法为乳腺癌管理中的计算机辅助手术前规划奠定了可靠的基础.