在乳腺癌中基于深度学习的HER2表达的新型预测,使用多式核磁共振,名图和决策曲线分析

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 激素HER2的表达对于引导乳腺癌向治疗至关重要.
• 准确的HER2状态预测会影响治疗选择和患者的治疗结果.

研究的目的:

• 开发一种用于预测乳腺癌中HER2表达的自动化框架.
• 整合多序乳房MRI与深度学习和临床数据,以提高预测准确度.

主要方法:

• 对2400例乳腺癌病例的回顾性分析,包括完整的成像和分子数据.
• 使用深度学习模型 (ResNet50,VGG16,EfficientNet-B0,ViT-Small) 来从3TMRI (T1,T2,DCE) 中提取特征.
• 应用ICC过,LASSO回归,名ogram构造,ROC分析和DCA用于模型开发和验证.

主要成果:

• 开发了一种综合预测模型,实现AUC为0.94,超过传统方法.
• 在HER2阳性和阴性群体之间,发现了瘤大小,淋巴结参与和微化的显著差异.
• 选择的成像特征,如洗增强和周围胀,表明HER2阳性.

结论:

• 与多序乳腺MRI和临床数据的深度学习集成为HER2表达预测提供了可靠的工具.
• 经过验证的模型显示了个性化瘤学临床实施的潜力.
• 改善乳腺癌患者的决策和治疗计划.