乳腺癌分子亚型的分类基于对比增强的超声波和优秀的微血管成像,使用机器学习方法

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 生物医学工程 生物医学工程

背景情况:

• 血管新生模式在乳腺癌 (BC) 分子类型之间有显著差异.
• 准确识别BC分子亚型对于有效的治疗策略至关重要.

研究的目的:

• 开发和验证用于分类BC分子亚型的机器学习 (ML) 模型.
• 为了利用对比增强超声波 (CEUS) 和优秀的微血管成像 (SMI) 数据进行亚型识别.

主要方法:

• 一项前性研究招募了191名BC患者 (193病变).
• 与临床数据一起,分析了CEUS和SMI特征.
• 对于特征选择,使用了递归特征消除.
• 随机森林 (RF),支持向量机 (SVM) 和后勤回归 (LR) 模型被训练和评估.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• SVM在区分光线亚型方面表现出高准确性 (AUC: 0.955培训,0.874测试).
• 射频在识别HER2过度表达的亚型方面表现出色 (AUC:0.944培训,0.872测试).
• 在区分三阴性乳腺癌 (TNBC) (AUC:0.846训练,0.824测试) 中,LR表现强.

结论:

• 将CEUS和SMI功能与ML模型集成,可以提高BC分子亚型的诊断能力.
• 这种方法提供了一个潜在的非侵入性方法,用于精确的BC亚型.