多模式深度学习模型用于预测乳腺癌复发风险和与DX型的相关性
Ruixin Zhang1,2, Kaiting Wang1,2, Shiwei Wang1,2
1Department of Radiology, The First Affiliated Hospital of Zhejiang Chinese Medical University (Zhejiang Provincial Hospital of Chinese Medicine), 54 Youdian Road, Hangzhou, Zhejiang Province, China.
一种多式深度学习 (MDL) 模型使用MRI成像和临床病理学数据准确预测乳腺癌复发风险. 这种方法有助于将患者分为高风险和低风险组,以进行个性化治疗.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 准确的乳腺癌复发风险分层对于治疗决策至关重要.
- 多模式深度学习 (MDL) 为增强预测提供了一个有希望的方法.
- 整合不同类型的数据可以提高风险评估的准确性.
研究的目的:
- 开发和验证一个MDL模型来预测乳腺癌复发风险.
- 整合多序MRI特征与临床病理学数据.
- 将患者分为高复发和低复发风险组.
主要方法:
- 对574名非转移性侵袭性乳腺癌患者进行了回顾性研究.
- 开发了一个使用卷积神经网络和多实例学习的MDL模型.
- 集成的T2WI,DWI,DCE-MRI和临床病理学特征.
- 使用ROC曲线,校准和DCA评估模型性能.
- 与临床和成像特征相关的瘤型DX基因.
主要成果:
- 对于复发风险,MDL模型实现了高预测准确度 (AUC高达0.915).
- 该模型有效地区分了高复发率和低复发率的风险组.
- 在型DX基因,临床病理学和放射学特征 (p < 0.05) 之间发现了显著的相关性.
结论:
- 乳腺癌复发风险分层的MDL模型显示出强大的预测准确性.
- 鉴定的相关性为未来的生物标志物研究提供了洞察力.
- 这种综合方法增强了乳腺癌管理中的个性化风险评估.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
相关概念视频
Cancer Survival Analysis
Mouse Models of Cancer Study
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
Sensitivity, Specificity, and Predicted Value
Sensitivity is the...
