时间依赖的DCE-MRI放射学预测乳腺癌新辅助疗法的反应:一个多中心研究与外部验证

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:

• 准确预测新辅助疗法 (NAT) 反应对于乳腺癌管理至关重要.
• 传统的动态对比增强磁共振成像 (DCE-MRI) 放射学可能错过了理解瘤异质性至关重要的时间模式.
• 这项研究探讨了先进的放射学,以改善NAT响应预测.

研究的目的:

• 评估一个机器学习模型,使用预治疗DCE-MRI的时间依赖的放射性特征来预测乳腺癌中NAT反应.
• 评估模型在病理完整反应 (pCR),部分反应 (pPR) 和无反应 (pNR) 之间区分的能力.

主要方法:

• 乳房DCE-MRI数据的回顾性收集来自多个供应商的两个中心.
• 使用3D nnUNet模型进行自动瘤细分.
• 通过线性回归提取所有DCE阶段的放射性特征,并通过线性回归计算时间依赖的特征.
• 开发一个随机森林分类器,整合静态和时间依赖的特征,用于响应预测.

主要成果:

• 总共分析了212名患者 (173名内部,39名外部).
• 与内异质相关的时间依赖的纹理特征与非响应 (pNR) 有显著联系.
• 该模型实现了高的曲线下面积 (AUC) 值,达到0.95在内部和0.86在外部预测pNR.

结论:

• 从治疗前的DCE-MRI中取决于时间的放射性特征有效地预测了乳腺癌中NAT反应.
• 这种方法在识别不太可能对治疗有反应的患者方面表现出了特殊的优势.
• 这些发现支持使用先进的成像生物标志物进行风险分层和个性化乳腺癌治疗.