机器学习模型用于预测乳腺癌中的表皮生长因子受体表达状态,使用超声波放射学
Zhirong Xu1, Jiayi Ye2, Huohu Zhong1
1Department of Ultrasound, The Second Affiliated Hospital of Fujian Medical University, Quanzhou, China.
Frontiers in oncology
|November 3, 2025
概括
这项研究引入了一种非侵入性的超声波放射学方法,用于预测乳腺癌患者表皮生长因子受体 (EGFR) 状态. 机器学习模型准确地识别了与EGFR表达相关的关键成像特征,提高了诊断潜力.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 表皮生长因子受体 (EGFR) 是乳腺癌的关键标,影响患者的生存.
- 目前评估EGFR状态的方法具有侵入性,因此需要使用不那么侵入性的替代方法.
研究的目的:
- 开发一种非侵入性机器学习方法,使用超声波放射学来预测乳腺癌患者的EGFR表达.
- 为了改善临床决策,识别表明EGFR状态的放射性特征.
主要方法:
- 从321名乳腺癌患者的超声波图像中提取了放射性特征.
- 采用了多步特征选择过程,并训练了七个机器学习模型,包括随机森林.
- 利用SHAP进行模型解释性,并进行了10倍交叉验证.
主要成果:
- 随机森林模型的AUC为0.86 (训练) 和0.70 (测试),优于其他模型.
- 发现的关键预测因素与瘤结构紧性和异质性有关.
- SHAP分析突出了与EGFR过度表达相关的特定放射性特征.
结论:
- 开发了一种可靠和可解释的工具,用于在乳腺癌中进行非侵入性EGFR状态预测.
- 反映瘤异质性和均性的放射性模式在EGFR阳性瘤中具有生物学相关性.
- 这种方法整合了先进的成像和机器学习,推进了精确瘤学.
