使用基于临床病理学和MRI特征的机器学习模型增强侵入性乳腺癌的术前HER2状态分类:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 生物医学信息学 生物医学信息学

背景情况:

• 人类表皮生长因子受体2 (HER2) 基因状态对于乳腺癌治疗选择至关重要.
• 在临床实践中,准确的手术前HER2分类仍然是一个挑战.

研究的目的:

• 通过临床病理学和MRI特征来评估机器学习模型在预测HER2基因状态方面的有效性.
• 开发和验证乳腺癌中HER2分类的预测模型.

主要方法:

• 一项对1015名患者 (1030病变) 的回顾性研究,使用培训,内部和外部验证集.
• 基于临床病理学和核磁共振特征开发名录和预测模型 (DT,SVM,k-NN,ANN,LR).
• 使用ROC曲线,决策曲线分析,校准曲线和SHAP分析进行性能评估.

主要成果:

• 支持矢量机 (SVM) 和人工神经网络 (ANN) 模型在培训和内部验证中表现出高的HER2阳性/阴性分类.
• 逻辑回归 (LR) 模型在验证集中证明了 HER2-低与 HER2-零差异化的优越通用性.
• 诺莫图改善了放射科医生的诊断准确度,特别是初级放射科医生. SHAP分析确定了关键的预测特征 (例如,PR状态,ADC值).

结论:

• 将机器学习与临床病理学和MRI数据相结合,显著提高了乳腺癌中HER2状态分类的准确性.
• 这些模型提高了放射科医生的诊断能力,有助于临床决策和治疗规划.