基于DCE-MRI的不同机器学习放射学在预测乳腺癌带淋巴结状态的价值

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确的手术前评估下淋巴结 (ALN) 状态对于乳腺癌 (BC) 治疗决策至关重要.
• 目前用于ALN评估的方法具有侵入性或缺乏精度.
• 这项研究研究了机器学习模型,使用动态对比增强的MRI和临床病理学数据来预测BC的淋巴结 (N) 阶段.

研究的目的:

• 评估机器学习模型在预测美国癌症联合委员会 (AJCC) 乳腺癌 (BC) 患者淋巴结 (N) 阶段的性能.
• 开发一种强大的,非侵入性预测工具,用于带淋巴结转移 (ALNM).
• 评估ALNM检测的联合放射学和临床模型的临床实用性和诊断准确性.

主要方法:

• 追溯分析605BC患者的数据,分为训练和测试集.
• 缩小尺寸,选择功能,以及机器学习模型的开发.
• 将最佳放射学和临床模型 (逻辑回归,ROC分析) 整合到一个综合模型中,使用决策曲线分析 (DCA) 进行评估.

主要成果:

• 组合模型实现了高诊断准确性,ALNM预测的AUC值为0.890 (训练) 和0.854 (测试).
• 在区分N1和N2-3阶段方面表现强 (AUC为0.973训练,0.835测试).
• 在N0,N1和N2-3阶段进行有效分类,微AUC为0.861和宏AUC为0.812.

结论:

• 将放射学特征与临床病理学特征相结合,为ALNM提供了一个强大的预测工具.
• 这种方法为乳腺癌管理中的临床决策提供了一个潜在的非侵入性和有效的方法.
• 开发的模型证明了ALNM的卓越诊断准确性,支持其临床实用性.