整合多式超声波成像和机器学习来预测光线和非光线乳腺癌亚型

科学领域:

• 放射学和瘤学 放射学和瘤学
• 医疗成像医学成像
• 医疗保健中的机器学习

背景情况:

• 乳腺癌分子亚型对治疗和预后产生重大影响.
• 准确的手术前分类的亚型,如光线和非光线对于个性化治疗至关重要.
• 目前的诊断方法可能缺乏最佳亚型区分所需的精度.

研究的目的:

• 开发和验证一种多式超声波成像和机器学习模型,用于进行光线与非光线乳腺癌亚型的术前分类.
• 评估各种超声波模式 (2D US,CDFI,SE,ABVS) 与机器学习算法集成的模型的性能.
• 提高乳腺癌管理中的诊断准确性和临床决策.

主要方法:

• 一项对247名乳腺癌患者的回顾性研究,包括192名患者,数据分为培训 (134) 和验证 (58) 组.
• 放射学特征采用基于IBSI标准的3D Slicer软件从单模,双模,三模和四模超声数据集进行提取.
• 使用了机器学习分类器,包括后勤回归,SVM,AdaBoost,随机森林,LDA和回归.

主要成果:

• 四种模式 (US+CDFI+SE+ABVS) 的AUC最高为0.947,明显超过单种模式 (AUC 0.758).
• 逐步整合模式提高了性能,三模式模式的表现优于双模式和单模式的方法.
• 与单模模式相比,四模模式框架在灵敏度 (88.4%),特异性 (92.7%) 和F1得分 (0.905) 上显示出了显著的改进.

结论:

• 集成先进超声波技术的多式机器学习模型可以在手术前有效地区分光线与非光线乳腺癌.
• 这种方法显示出在非侵入性乳腺癌诊断中提高诊断准确性和概括性的巨大潜力.
• 这些发现代表了手术前乳腺癌亚型分类的显著进展,支持量身定制的治疗策略.