使用基于视觉变压器特征的多组合机器学习模型预测乳腺癌新辅助治疗的病理完整反应
Linyong Wu1, Songhua Li1,2, Feng Chen1,2
1Department of Medical Ultrasound, Maoming People's Hospital, Maoming, 525000, Guangdong Province, P. R. China.
Scientific reports
|December 31, 2025
概括
多组合机器学习模型中的视觉转换器 (VIT) 功能在乳腺癌新辅助疗法 (NAT) 中预测病理完整反应 (pCR) 方面表现有前途. 这些模型的性能优于其他深度学习方法,为NAT-pCR提供了更好的预测性能.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 在新辅助疗法 (NAT) 后,准确预测病理完整反应 (pCR) 对乳腺癌管理至关重要.
- 深度学习模型,特别是那些使用视觉转换器 (VIT) 功能的模型,提供了提高预测准确性的潜力.
研究的目的:
- 评估使用VIT特征的多组合机器学习模型在接受NAT的乳腺癌患者中预测PCR的有效性.
- 将基于VIT特征的模型的预测性能与使用ResNet50和VGG16特征的模型进行比较.
主要方法:
- 一项回顾性研究包括124名乳腺癌患者. 通过使用VIT,ResNet50和VGG16.6从活检前超声图像中提取了深度学习特征.
- 使用威尔科克森测试确定了高价值特征. 用多个机器学习算法来开发预测模型.
- 在培训和验证队列中,模型性能使用曲线下的面积 (AUC) 来评估.
主要成果:
- 使用VIT特征的多组合模型实现了最高的AUC (0.872培训,0.839验证).
- 最优的算法包括Stepglm [forward],NaiveBayes和glmBoost + Ridge合奏.
- 与ResNet50和VGG16相比,基于VIT的模型在评估NAT-pCR方面表现优越.
结论:
- 结合VIT特征的机器学习模型对预测乳腺癌中的NAT-pCR有效.
- 多组合方法可以选择最佳算法,以提高预测准确度.
- VIT功能为改善乳腺癌治疗反应评估提供了宝贵的工具.
