乳腺癌中新辅助化疗反应的先验预测,使用预治疗MRI和CT的深度特征

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 新辅助化疗 (NAC) 反应对于乳腺癌的预后至关重要,但通常在手术后进行评估.
• 在治疗前预测NAC反应可以指导个性化治疗策略.
• 目前的预测方法缺乏精度,需要先进的分析工具.

研究的目的:

• 为了研究深度学习的实用性,从治疗前的MRI和CT扫描中获得的特征,用于预测乳腺癌的NAC反应.
• 将深度特征的性能与手工制作的放射性特征和不同的深度学习架构进行比较.
• 开发一个综合成像数据和临床变量的多式模式框架,以便更好地预测治疗反应.

主要方法:

• 使用ResNet架构 (ResNet10,18,34,50) 从CE-T1,T2权重的MRI和CT扫描上的内和周围区域中提取了深度特征,这些特征与MedicalNet进行了预训练.
• 手工制作的放射性特征被提取出来进行比较分析.
• 在177名患者的数据上进行了特征选择 (mRMR,RFE) 和分类 (XGBoost),分析了病理完整反应 (pCR) 和响应状态 (≥30%的瘤大小减少).

主要成果:

• 与手工制作的放射学和其他ResNet模型相比,ResNet34衍生的深度功能在预测NAC响应方面表现出卓越的性能.
• 对于pCR预测,ResNet34实现了81.6%的平衡精度,而放射学则达到77.9%.
• 对于响应者预测,ResNet34实现了73.5%的平衡精度,而放射学则达到70.2%.

结论:

• 常规MRI和CT扫描中的深度特征与临床数据相结合,显著改善了乳腺癌中NAC反应的预测.
• 这种基于深度学习的多式联络方法补充了传统的放射学,提供了更准确和个性化的治疗结果预测.
• 这些发现支持将人工智能驱动的成像分析集成到临床实践中,以优化乳腺癌治疗策略.