用基于超声波的深度学习放射学模型预测乳腺癌对新辅助化疗的反应 - 双中心研究

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学中使用人工智能
• 乳腺癌研究研究 乳腺癌研究

背景情况:

• 早期预测治疗反应对于优化乳腺癌新辅助化疗 (NAC) 非常重要.
• 目前的成像方法在准确评估早期瘤反应方面存在局限性.
• 深度学习为瘤学中高级图像分析提供了潜力.

研究的目的:

• 开发和验证一个深度学习融合模型,用于预测乳腺癌患者接受NAC的早期瘤反应.
• 使用早期 (两周期) 超声波图像用于模型开发.
• 将堆叠融合技术应用于内和周区域,以提高预测能力.

主要方法:

• 一组469名乳腺癌患者接受6-8周期的NAC,从两个医疗中心进行了回顾性分析.
• 使用ResNet深度学习,在内和周区域的超声数据上构建模型.
• 使用内部和外部数据集创建并验证了堆叠融合模型,使用AUC和DCA指标评估性能.

主要成果:

• 开发的融合模型 (DLRS3) 在各种地区和感兴趣地区 (ROI) 显示出高预测性能.
• 训练组中的曲线下的面积 (AUC) 值在0.848到0.919之间.
• 内部和外部验证集中的AUC值始终很高,分别达到0.965和0.938.

结论:

• 基于早期NAC超声波图像的深度学习融合模型成功开发.
• 该模型具有显著的潜力,可以准确预测乳腺癌患者早期瘤反应.
• 这种人工智能驱动的方法可以帮助临床医生定制乳腺癌治疗策略.