基于超声波放射学和临床病理特征的融合,预测HER2变化后的新辅助疗法,由可解释的AI赋予权力:一个多中心研究
Yuqi Yan1, Xinzheng Xue2, Jiayu Xie3
1Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Zhejiang Cancer Hospital, Hangzhou 310022, China; Research Center of Interventional Medicine and Engineering, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, Zhejiang 310000, China; Wenling Institute of Big Data and Artificial Intelligence Institute in Medicine, Taizhou 317502, China; Center of Intelligent Diagnosis and Therapy (Taizhou), Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Taizhou 317502, China; Taizhou Key Laboratory of Minimally Invasive Interventional Therapy & Artificial Intelligence, Taizhou Branch of Zhejiang Cancer Hospital (Taizhou Cancer Hospital), Taizhou 317502, China.
这项研究引入了一种非侵入性超声波放射学模型,用于预测乳腺癌新辅助治疗期间HER2状态的变化,为活检提供了个性化的替代方案.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 在新辅助疗法 (NAT) 期间人类表皮生长因子受体2 (HER2) 表达的动态变化使乳腺癌的精确瘤学复杂化.
- 目前依靠活检的方法不足以实时监测HER2状态的演变.
- 临床上需要使用非侵入性方法来预测NAT期间的HER2状态变化.
研究的目的:
- 开发和验证一种非侵入性预测模型,用于预测乳腺癌中NAT HER2后状态演变的预测.
- 整合治疗前超声波放射学和临床病理学参数来预测HER2过渡.
- 为监测HER2状态提供临床可行的替代品,而不是重复活检.
主要方法:
- 一个多中心的回顾性研究,涉及655名患者,并对NAT HER2评估前后进行对对对评估.
- 从预处理超声图像中提取放射性特征,使用手动瘤细分.
- 开发超声图像临床特征融合 (UICFF) 框架,以注意引导的多模式特征选择为HER2过渡预测.
主要成果:
- 在29.7% (培训),34.6% (内部) 和25.5% (外部) 的患者中观察到动态HER2变化.
- 多模式UICFF模型显示出优异的歧视 (AUC_external = 0.823),表现优于仅放射学和仅临床病理学模型.
- 关键预测因素包括年龄,更年期状态,Ki-67指数和基于波纹的纹理特征;年轻的年龄和较大的瘤大小与HER2动态有关.
结论:
- 可解释的UICFF框架使得在接受NAT的患者中,可以对HER2演变进行个性化的治疗前预测.
- 这种非侵入性方法为监测HER2状态的重复活检提供了临床可行的替代方案.
- 该模型有助于为接受新辅助治疗的乳腺癌患者制定个性化治疗策略.
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
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
