一种深度学习放射学模型,用于预测早期乳腺癌患者的非哨兵淋巴结转移

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确预测非哨兵淋巴结 (NSLN) 转移对于分期早期乳腺癌至关重要.
• 哨兵淋巴结 (SLN) 活检是标准的,但预测进一步的结节参与会影响治疗决策.

研究的目的:

• 开发和验证一个深度学习放射学模型,用于预测NSLN转移.
• 评估该模型在早期乳腺癌患者的表现,其中有1-2个阳性SLN.

主要方法:

• 这是一项对1647名患者的回顾性和前性研究.
• 从下超声波 (AUS) 图像中提取了放射性特征.
• 开发了临床 (C),临床+AUS (CA) 和临床+AUS+放射学 (CAR) 模型.
• 使用AUC,DCA和校准曲线评估的模型.

主要成果:

• 在测试队列中,CAR模型实现了0.994的AUC,明显优于C (0.812) 和CA (0.850) 模型.
• 汽车模型在各个子组中表现出卓越的预测能力.
• 决策曲线分析证实了CAR模型的显著临床实用性.

结论:

• 深度学习放射学模型 (CAR) 有效地预测NSLN转移.
• 这个模型为管理早期乳腺癌患者提供了有价值的工具,这些患者的SLN参与度有限.