可解释的深度学习用于预测乳腺癌中的HER-2表达:一个多中心研究
Zhendong Lu1, Minping Hong2, Xinhua Li1
1Department of Radiology, The Affiliated Hospital of Guangdong Medical University, Zhanjiang, PR China.
Acta radiologica (Stockholm, Sweden : 1987)
|December 30, 2025
概括
一个新的深度学习框架准确地预测HER-2状态,使用MRI扫描进行非侵入性检查. 这种方法有助于术前乳腺癌分层,可能减少侵入性活检的需要.
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:
- 人类表皮生长因子受体2 (HER-2) 是乳腺癌预后和治疗选择的关键生物标志物.
- 目前的HER-2评估需要侵入性组织活检,给患者带来风险和成本.
研究的目的:
- 创建一个可解释的深度学习成像框架,用于在乳腺癌中进行手术前HER-2表达的非侵入性预测.
- 开发一种工具,可以协助手术前患者分层和治疗规划.
主要方法:
- 对450名乳腺癌患者的MRI数据和临床记录进行了回顾性分析,确认了HER-2状态.
- 基于ResNet的深度神经网络的开发,以生成HER-2阳性概率得分 (D-score).
- 整合D-score与独立的临床预测因子的组合预测模型,使用ROC分析进行验证.
主要成果:
- 综合深度学习模型在外部验证中实现了0.809的AUC,超过了临床模型.
- 解释性分析强调了D-score,边缘增强和淋巴结直径作为关键预测因素.
- 该模型展示了HER-2表达的准确,非侵入性和可解释的预测.
结论:
- 拟议的深度学习框架为预测乳腺癌中HER-2表达提供了准确且非侵入性的方法.
- 这种工具可以作为一种潜在的手术前分层方法,指导个性化治疗,减少对侵入性活检的依赖.
