像素级放射学和深度学习用于根据双模态超声图像预测乳腺癌中的Ki-67表达
1Department of Ultrasound, the First Affiliated Hospital of Anhui Medical University, Hefei, Anhui 230022, China (W.W., D.Z., W.Z., Y.G., W.L., C.X.Z.); Department of Ultrasound, the First Affiliated Hospital of Wannan Medical College (Yijishan Hospital), Wuhu, Anhui 241000, China (W.W., H.J.F.).
Academic radiology
|January 15, 2026
概括
一个新的深度学习模型Vision-Mamba-US-RFMs-Clinical (V-MURC) 准确地使用超声波图像和放射学来预测乳腺癌中的Ki-67表达. 这个工具有助于个性化乳腺癌治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 基-67表达是乳腺癌 (BC) 扩散和治疗反应的关键生物标志物.
- 准确预测Ki-67对于指导个性化治疗策略至关重要.
- 目前用于Ki-67评估的方法可能是侵入性的和耗时的.
研究的目的:
- 开发和验证一种深度学习模型,用于对乳腺癌中Ki-67表达的非侵入性预测.
- 利用一种新的像素级放射学方法,整合2D和应变弹性学超声波图像.
- 评估开发的治疗决策模型的临床实用性.
主要方法:
- 一项涉及1031名乳腺癌患者的多中心研究.
- 开发了Vision-Mamba深度学习模型,其中包括超声波图像和像素级放射性特征图 (RFM).
- 临床预测因素的整合和使用接收器操作特征 (ROC) 曲线,校准曲线和决策曲线分析 (DCA) 的验证.
主要成果:
- 视觉-曼巴-美国-RFMs-临床 (V-MURC) 模型在内部,外部和前性验证队列中表现出高的预测性能 (AUC > 0.94).
- V-MURC模型显著优于单个模型,显示出出色的区分和校准.
- 沙普利添加式扩展 (SHAP) 分析为该模型的预测提供了可解释性.
结论:
- V-MURC模型利用超声波的像素级RFM,准确地预测乳腺癌中的Ki-67表达.
- 这种人工智能驱动的方法为个性化乳腺癌治疗计划提供了有价值的,非侵入性的工具.
- 该模型显示了在优化患者管理方面临床应用的巨大潜力.
更多相关视频
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
14.8K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
