乳腺癌中N参数的增强预测:它是否可能使用剪波弹性学超声波放射学?

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:

• 准确的手术前评估下淋巴结 (ALN) 状态对于乳腺癌 (BC) 管理至关重要.
• 超声波 (US) 和剪波弹性成像 (SWE) 是已建立的BC评估成像方式.
• 整合先进的分析技术可能会提高诊断能力.

研究的目的:

• 为了评估机器学习 (ML) 算法的有效性,利用美国和SWE数据用于乳腺癌患者的手术前ALN状态的确定.
• 评估从US和SWE图像中提取的放射学特征是否可以提高ML模型的预测性能.

主要方法:

• 对133例乳腺癌病变的回顾性分析,这些病例来自接受US和SWE的患者.
• 病变的细分和从US和SWE图像中提取1098个放射性特征.
• 开发和验证一个简单的物流ML分类器,使用选定的特征来预测ALN状态,以AUC和MCC来衡量性能.

主要成果:

• 一个使用八个选定的放射学特征的模型在测试组中获得了0.677的AUC和0.375的MCC.
• ML分类器的性能 (AUC = 0.677) 与专家放射科医生 (AUC = 0.817) 相似,但在统计学上并不优于他.
• 该研究确定了来自美国和SWE的特定放射特征,这些特征有助于预测ALN状态.

结论:

• 将SWE衍生的放射学特征与ML算法的集成显示了改善乳腺癌手术前ALN状态评估的前景.
• 这种基于ML的方法可以作为放射科医生的辅助工具,可能有助于手术规划和患者管理.
• 需要进一步的研究和验证,以优化ML模型并确认其临床实用性.