
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多模态影像与临床特征的机器学习模型预测新辅助治疗乳腺癌患者病理完全缓解
《BMC Cancer》:Machine learning model for the prediction of pathological complete response after neoadjuvant chemotherapy in breast cancer
【字体: 大 中 小 】 时间:2026年10月09日 来源:BMC Cancer 4.1
编辑推荐:
摘要背景接受新辅助治疗的乳腺癌患者可能从术前评估完全缓解中获益,从而避免不必要的手术。我们旨在开发一种机器学习模型,基于不同影像模式的结果以及肿瘤和患者特征来预测病理学完全缓解(pCR)。方法本回顾性单中心研究提取了388例接受新辅助治疗的浸润性乳腺癌的临床数据。将超声、乳腺
接受新辅助治疗的乳腺癌患者可能从术前评估完全缓解中获益,从而避免不必要的手术。我们旨在开发一种机器学习模型,基于不同影像模式的结果以及肿瘤和患者特征来预测病理学完全缓解(pCR)。
本回顾性单中心研究提取了388例接受新辅助治疗的浸润性乳腺癌的临床数据。将超声、乳腺X线摄影和磁共振成像的检测结果与患者和病理组织学信息相结合。进行了皮尔逊乘积矩相关分析和LASSO正则化,以预选与结局最相关的特征。基于预选变量,我们开发并验证了一种机器学习算法(带弹性网络惩罚的Logistic回归(GLM))来预测pCR。通过曲线下面积(AUROC)、假阳性率(FPR)和阳性预测值(PPV)评估模型性能。
在总队列中,388例中有158例检测到pCR,pCR率为40.7%。从111个收集变量中,由于与其他特征高度相关而移除了8个变量。经过LASSO正则化后,14个变量被纳入作为最终模型的预测因子。在验证集中,GLM实现了0.76的AUROC,假阳性率为8.7%,阳性预测值为75%。
通过结合影像和临床病理学特征,我们的机器学习模型显示了一种有前景的方法,可改善接受新辅助治疗的乳腺癌患者pCR的预测。结合LASSO正则化,它提供了关于不同变量预测潜力的有趣见解,这些变量可作为标准临床实践的一部分提供。
不适用。
接受新辅助治疗的乳腺癌患者可能从术前评估完全缓解中获益,从而避免不必要的手术。我们旨在开发一种机器学习模型,基于不同影像模式的结果以及肿瘤和患者特征来预测病理学完全缓解(pCR)。
本回顾性单中心研究提取了388例接受新辅助治疗的浸润性乳腺癌的临床数据。将超声、乳腺X线摄影和磁共振成像的检测结果与患者和病理组织学信息相结合。进行了皮尔逊乘积矩相关分析和LASSO正则化,以预选与结局最相关的特征。基于预选变量,我们开发并验证了一种机器学习算法(带弹性网络惩罚的Logistic回归(GLM))来预测pCR。通过曲线下面积(AUROC)、假阳性率(FPR)和阳性预测值(PPV)评估模型性能。
在总队列中,388例中有158例检测到pCR,pCR率为40.7%。从111个收集变量中,由于与其他特征高度相关而移除了8个变量。经过LASSO正则化后,14个变量被纳入作为最终模型的预测因子。在验证集中,GLM实现了0.76的AUROC,假阳性率为8.7%,阳性预测值为75%。
通过结合影像和临床病理学特征,我们的机器学习模型显示了一种有前景的方法,可改善接受新辅助治疗的乳腺癌患者pCR的预测。结合LASSO正则化,它提供了关于不同变量预测潜力的有趣见解,这些变量可作为标准临床实践的一部分提供。
不适用。