在乳腺癌中,通过人工智能辅助的NIRF成像进行转移性SLN的术内评估
Xue-Qi Fan1,2, Jing-Wen Bai1,2, Shi-Long Yu3
1The Cancer Institute and Breast Center, The Third Affiliated Hospital of Kunming Medical University & Yunnan Cancer Hospital & Peking University Cancer Hospital Yunnan, Kunming, China.
International journal of surgery (London, England)
|October 14, 2025
概括
这项研究介绍了LymphNet,这是一种人工智能工具,用于术后乳腺癌哨兵淋巴结 (SLN) 转移的评估. 淋巴网络使用近红外光成像来快速识别转移性SLN,提高准确性并减少与传统方法相比的组织损失.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 哨兵淋巴结 (SLN) 活检对于乳腺癌的分期至关重要.
- 目前的方法,如冷截面 (FS) 分析SLN转移是缓慢的,侵入性的,并且具有很高的错误阴性率.
- 近红外光 (NIRF) 用绿色氨酸 (ICG) 的成像有助于SLN检测,但不能评估转移.
研究的目的:
- 开发和评估一个人工智能驱动的工具,LymphNet,用于准确的SLN转移的手术内评估.
- 将淋巴网络的性能与传统的冷截面分析进行比较.
- 利用NIRF成像进行实时转移检测,改善乳腺癌分期.
主要方法:
- 利用了35名乳腺癌患者的临床前 (4T1-Luc,MDA-MB-231-Luc) 和临床数据.
- 采用基于ICG的内科手术NIRF成像技术.
- 评估了四个深度学习卷积神经网络 (Vgg19,Efficientnet,Resnet,Densenet) 用于转移检测,使用LymphNet方法汇总预测.
主要成果:
- 在临床队列中,LymphNet在检测转移性SLN时达到0.898的AUC (16转移性,98非转移性).
- 淋巴网络方法显示虚假阴性率 (FNR) 为18.75%,与FS分析 (13.5-31.3%) 相比,同时避免了组织损失.
- 人工智能模型的预测过程花费不到10秒,大大简化了手术内工作流程.
- 在转移性SLN中发现了减少或不存在光的新发现.
结论:
- 淋巴网络提供了一个新,高效和准确的工具,用于在乳腺癌中进行手术内哨戒淋巴结转移的评估.
- 这种人工智能驱动的方法提高了诊断能力,减少了侵入性,并加快了外科手术工作流程.
- 这些发现为改善乳腺癌分期和治疗计划铺平了道路.
