深度学习驱动的放射性特征提取用于预测乳腺癌中对新辅助化疗的完整病理反应,从F-氧糖位子发射断层扫描/计算机断层扫描扫描

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:

• 在新辅助化疗 (NAC) 后,准确预测病理完整反应 (pCR) 对于优化乳腺癌治疗至关重要.
• 18F-FDG PET/CT成像为瘤反应提供了功能和解剖学的见解.
• 来自PET/CT的先进放射和纹理特征可能会提高预测的准确性.

研究的目的:

• 评估18F-FDG PET/CT参数的预测潜力,包括纹理特征,用于乳腺癌第一个NAC课程后的pCR.
• 评估成像特征,临床数据和乳腺癌分子亚型的组合,以改善PCR预测.
• 开发一种人工智能驱动的方法,用于早期治疗反应评估.

主要方法:

• 对204名接受18F-FDG PET/CT进行NAC评估的乳腺癌患者进行了追溯分析.
• 使用nnUNet深度学习模型进行自动化损伤细分.
• 使用机器学习分类器 (随机森林,XGBoost,SVM) 使用代谢,放射性,纹理特征和分子亚型数据.

主要成果:

• 综合PET/CT特征 (基线和随访) 与乳腺癌亚型的组合模型实现了最高的预测性能 (平均平衡精度为0.76±0.09).
• 这种综合方法的表现优于仅使用HER2 (0.67 ± 0.08) 或TN (0.65 ± 0.06) 亚型数据的模型.
• 来自基线和后续扫描的特征,结合亚型信息,证明了pCR的强有力的预测价值.

结论:

• 将基线和随访18F-FDG PET/CT放射性和纹理特征与乳腺癌亚型信息相结合,在第一次NAC课程后显著改善了pCR预测.
• 这种人工智能驱动的方法可以更准确地早期评估治疗反应.
• 这些发现支持个性化治疗决策,有可能避免无效的治疗方法,并改善患者的治疗结果.