一个双模式的机器学习精确诊断模型,用于乳腺癌的放射学和蛋白质学

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 准确的乳腺癌诊断对于有效治疗至关重要.
• 整合多模式数据有可能提高诊断准确性.

研究的目的:

• 开发和验证一种双模机器学习模型,用于精确诊断乳腺癌.
• 评估血蛋白质学和超声波放射学的联合诊断价值.

主要方法:

• 使用多源数据集成选了10种蛋白质标记物和14种超声波放射学特征.
• 使用机器学习算法构建了一个双模诊断模型.
• 利用了来自临床队列的血蛋白质质谱和超声数据.

主要成果:

• 双模式模型在区分良性和恶性病变时实现了0.938的AUC.
• 综合模型的表现明显优于单个蛋白质组学 (AUC=0.830) 和放射学 (AUC=0.841) 模型.
• 蛋白标志物检测在初始查中显示出高性能 (AUC=0.974) 但对良性/恶性疾病的区分有限.

结论:

• 血蛋白和超声波图像在乳腺癌中具有协同的诊断价值.
• 双模模式为乳腺癌分层提供了一个准确和可访问的策略.
• 这项研究提出了一种用于增强乳腺癌诊断的新方法.