通过基于机器学习的多模式图像放射学来预测乳腺癌中的PIK3CA突变

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 基因状态对于确定乳腺癌 (BC) 的向治疗至关重要.
• 早期预测PIK3CA突变可以指导治疗决策.
• 乳房影像 (MMG) 和超声波 (US) 图像的放射学分析为非侵入性突变预测提供了潜力.

研究的目的:

• 探索机器学习 (ML) 方法来预测BC中的PIK3CA突变.
• 评估MMG和US放射学单独和组合的疗效,用于PIK3CA突变预测.
• 开发一个混合模型,整合临床病理学和放射学特征,以提高预测性能.

主要方法:

• 分析了186名初级BC患者的PIK3CA基因测试和预治疗MMG/US图像.
• 从MMG和美国图像中提取了Radiomics特征,使用3D Slicer和PyRadiomics.
• 用物流回归 (LR),自适应提升 (AdaBoost) 和天真贝叶斯 (NB) ML算法来构建预测模型.

主要成果:

• 在31.7%的BC患者中发现了PIK3CA突变.
• 雌激素受体 (ER) 和孕激素受体 (PR) 的阳性与PIK3CA突变有关.
• 混合临床病理学-美国-MMG-LR模型实现了最高的预测性能 (AUC,0.899),超过了基于单一成像模式或其他ML算法的模型.

结论:

• 基于超声波 (美国) 的放射学与基于乳房影像 (MMG) 的放射学相比,表现出更好的预测能力.
• 混合模型将临床病理学数据与美国和MMG放射学数据集成,显著提高了预测准确性.
• 这种先进的预测模型可以帮助开发针对乳腺癌患者量身定制的治疗策略.