预测Ki-67在侵袭性乳腺癌中的表达,使用双模态放射学

科学领域:

• 放射学 放射学是一门学科.
• 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:

• 基-67表达是侵入性乳腺癌攻击性和扩散的关键生物标志物.
• 通过侵入性活检进行传统的评估具有局限性,包括采样可变性和受限的连续监测.
• 预测Ki-67的非侵入性方法是指导个性化治疗策略所需的.

研究的目的:

• 开发和验证使用集成超声波 (美国) 和乳房扫描 (MG) 功能来预测侵入性乳腺癌中Ki-67表达的放射学模型.
• 为了比较双模式放射学模型与单模式 (单独US或MG) 模型的性能.
• 评估开发的放射学模型对非侵入性Ki-67预测的临床实用性.

主要方法:

• 对206名侵袭性乳腺癌患者进行了一项回顾性研究.
• 使用Pyradiomics从US和MG图像中提取了放射性特征,并使用LASSO回归进行了细化.
• 四个机器学习分类器使用3轮5倍交叉验证进行了训练和验证,并集成了临床指标.

主要成果:

• 联合的美国和MG辐射模型在曲线下获得了最高的面积 (0.882),明显超过单一模式模型 (美国:0.748,MG:0.771).
• 双模式模型显示出平衡的灵敏度 (83.0%) 和特异性 (73.0%),基于纹理的特征被确定为关键预测因素.
• 决策曲线分析证实了组合模型在各种值概率中具有优越的临床效用.

结论:

• 整合US和MG放射学显著提高了Ki-67表达在侵袭性乳腺癌的非侵入性预测与单一模式方法相比.
• 开发的双模态放射学模型显示了通过非侵入性预测Ki-67水平来引导个性化治疗策略的潜力.
• 需要进一步的前性验证和多中心研究来确认可通用性和临床实用性.