与Node-RADS相比,基于放射学的MRI模型用于预测乳腺癌状淋巴结参与:一项概念验证研究
Roberto Maroncelli1,2, Veronica Rizzo3, Marcella Pasculli3
1Department of Radiological, Oncological and Pathological Sciences, Sapienza-University of Rome, Rome, Italy. roberto.maroncelli@uniroma1.it.
European radiology experimental
|December 2, 2025
概括
磁共振成像 (MRI) 放射学模型在预测状淋巴结参与乳腺癌方面表现有前途. 这些模型的性能与Node-RADS相似,可能支持更少的侵入性治疗决策.
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:
- 精确检测状淋巴结 (LN) 参与对于乳腺癌的分期和治疗至关重要.
- 目前用于LN评估的方法可能是侵入性的,需要探索非侵入性的替代方案.
研究的目的:
- 评价磁共振成像 (MRI) 基于放射学的机器学习模型的可行性,用于预测腰LN参与乳腺癌.
- 将这些放射学模型的性能与已建立的Node-RADS分类系统进行比较.
主要方法:
- 从乳腺癌患者的多参数MRI数据的回顾性分析.
- 从对比度增强,减去和T2加权的MRI序列中提取稳定的放射性特征.
- 机器学习模型的开发和外部验证,用于二进制LN参与分类,以基因病理学作为参考标准.
主要成果:
- 性能最好的放射学模型在内部数据集上获得了81%的AUROC,在外部验证队列中获得了94%的AUROC.
- 该模型在预测LN参与方面表现出高特异性 (92%内部,100%外部).
- 性能指标,包括准确性,灵敏性和特异性,在小型外部验证队列中与Node-RADS相比,与中度一致.
结论:
- 基于MRI辐射学的机器学习模型显示出其作为评估腰腰干参与乳腺癌的非侵入性工具的潜力.
- 与Node-RADS相似的性能表明,这些模型可以帮助临床决策,并可能使关缓和策略成为可能.
- 进一步验证是有必要的,但放射学提供了一个有希望的途径,通过减少侵入性手术的必要性,为个性化乳腺癌治疗提供了希望.
