基于机器学习的侵袭性乳腺癌组织学亚型的分类,使用MRI对侧乳腺纹理特征

科学领域:

• 放射学和机器学习在瘤学中的应用
• 医学图像分析用于癌症诊断

背景情况:

• 侵袭性乳腺癌 (IBC),包括侵袭性导管癌 (IDC) 和侵袭性叶状癌 (ILC),是女性最常见的癌症.
• 精确区分IBC亚型对于有效的治疗计划和患者的治疗结果至关重要.
• 医学图像的纹理分析为非侵入性亚型分类提供了潜力.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于区分IDC和ILC,使用 contralateral乳房MRI的腺体纹理特征.
• 评估各种ML算法的性能,根据提取的图像特征对IBC亚型进行分类.
• 研究纹理特征对早期诊断和侵袭性乳腺癌改进分类的有用性.

主要方法:

• 使用了来自癌症成像档案的T1加权预对比MRI图像.
• 使用MATLAB进行了3D图像细分,并提取了第一阶段和GLCM纹理特征.
• 应用了ANOVA F测试来选择特征,SMOTE用于数据集平衡,随机森林分类器用于分类.

主要成果:

• 随机森林分类器获得了最高的交叉验证分数 (原始数据为0.8989 ± 0.0224;SMOTE数据为0.8723 ± 0.0209).
• 最终的分类模型在原始数据集上显示了91%的准确性,在平衡的SMOTE数据集上显示了87%的准确性.
• 最初的分析表明,相关性和平均值等特征不那么重要,但具有所有特征的模型显示出高准确性.

结论:

• 通过对侧乳腺MRI的腺体纹理特征的机器学习分析,可以有效地区分侵袭性管道癌和侵袭性叶膜癌.
• 开发的ML模型显示了支持早期诊断和改善侵袭性乳腺癌亚型的分类准确性的承诺.
• 这项研究为文献提供了一种创新的方法,用于非侵入性IBC亚型识别.