来自多模式图像分割的自动化放射学分析,用于预测三阴性乳腺癌
概括
来自PET/CT扫描的定量放射性特征可以区分三阴性乳腺癌 (TNBC) 和非TNBC. 使用这些功能和深度学习细分的机器学习模型显示了准确的TNBC识别的前景.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 三重阴性乳腺癌 (TNBC) 存在诊断方面的挑战.
- 准确区分TNBC与非TNBC对于有效的治疗计划至关重要.
- 当前的诊断方法可能缺乏最佳分类所需的定量精度.
研究的目的:
- 调查PET/CT扫描中的定量放射性特征在区分TNBC与非TNBC方面的有用性.
- 开发和评估一个结合深度学习进行细分和机器学习进行分类的计算管道.
- 评估放射学作为TNBC识别的非侵入性工具的潜力.
主要方法:
- 对217名乳腺癌患者的PET/CT图像进行了回顾性分析 (57名TNBC,160名非TNBC).
- 使用深度学习模型在PET图像上进行自动瘤细分,并映射到CT扫描.
- 从3D瘤体积中提取放射性特征,并使用机器学习与递归特征消除进行分类.
- 通过5倍交叉验证使用F1分数,AUC,精度,灵敏度和特异性的性能评估.
主要成果:
- 提出的放射性方法实现了高性能指标.
- 关键指标包括F1得分为0.90 ± 0.02,准确度为0.86 ± 0.07,AUC为0.88 ± 0.04.
- 排名最高的放射性特征对分类准确度做出了重大贡献.
结论:
- 来自PET/CT扫描的定量放射性特征为TNBC识别提供了宝贵的预后见解.
- 机器学习算法与自动化PET/CT细分相结合,可以准确地区分TNBC与非TNBC.
- 这种基于图像的放射性分析提供了一个有希望的非侵入性工具,可以改善TNBC诊断和治疗策略.
