基于MRI的放射学模型用于预测乳腺癌中新辅助化疗后瘤回归模式
Lan Wang1, Qi Wang1, Jun Zhang2
1Department of Radiation Oncology, Affiliated Hospital of Qingdao University, Qingdao, China.
Frontiers in medicine
|December 3, 2025
概括
这项研究表明,将MRI放射性特征与临床数据相结合,可以预测乳腺瘤对新辅助化疗 (NAC) 的反应. 这些综合成像生物标志物和临床资料支持个性化治疗策略.
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:
- 新辅助化疗 (NAC) 是一种常见的乳腺癌治疗方法.
- 预测治疗反应对于优化患者治疗结果至关重要.
- 整合不同的数据源可以提高预测准确性.
研究的目的:
- 开发和验证乳腺瘤对NAC的反应的预测框架.
- 评估将MRI衍生的放射性特征与临床指标集成的实用性.
主要方法:
- 对301名乳腺癌患者的回顾性分析.
- 从基线MRI扫描中提取了1,196个放射性特征.
- 使用ANOVA和LASSO回归进行特征选择.
- 使用八个机器学习算法 (例如,随机森林,XGBoost) 开发预测模型.
- 模型验证使用单独的患者队列.
主要成果:
- 随机森林模型实现了0.82 (培训) 和0.75 (验证) 的AUC.
- 一个包含选定特征的诺米图表显示了0.75的验证AUC,具有0.64的灵敏度和0.88的特异性.
- 该框架显示了一致的预测性能.
结论:
- 整合成像生物标志物 (放射学) 和临床数据可靠地预测瘤对NAC的反应.
- 这种方法支持更知情和个性化的乳腺癌治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.3K
