
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的超声影像组学模型预测浸润性乳腺癌前哨淋巴结转移的开发与外部验证
《BMC Medical Imaging》:Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study
【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要背景术前评估前哨淋巴结(SLN)转移有助于为浸润性乳腺癌(IBC)患者实现个体化腋窝管理。本研究旨在开发并外部验证一种基于深度学习的超声影像组学模型,用于预测SLN转移。方法本回顾性双中心研究纳入246例经病理学确诊的IBC患者。A中心的194例患者分为训练组(n = 1
术前评估前哨淋巴结(SLN)转移有助于为浸润性乳腺癌(IBC)患者实现个体化腋窝管理。本研究旨在开发并外部验证一种基于深度学习的超声影像组学模型,用于预测SLN转移。
本回顾性双中心研究纳入246例经病理学确诊的IBC患者。A中心的194例患者分为训练组(n = 155)和内部测试组(n = 39),B中心的52例患者作为外部验证组。通过ResNet50从术前超声图像中提取深度特征。在训练组中进行特征选择后,构建了梯度提升决策树分类器。采用受试者工作特征(ROC)曲线分析评估模型的区分能力,并运用决策曲线分析进行探索性净获益评估。
共保留22个深度学习提取特征。该模型在训练组、内部测试组和外部验证组中分别达到受试者工作特征曲线下面积(AUC)0.734(95% CI, 0.655–0.813)、0.761(95% CI, 0.601–0.920)和0.742(95% CI, 0.598–0.886)。在外部验证组中,准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为0.769、0.650、0.844、0.722和0.794。决策曲线为探索性分析,不足以确立临床实用性。
该模型对SLN转移表现出中等区分能力,各队列的AUC点估计值相似但置信区间较宽;该模型仅提供初步区分和风险排序,目前尚不具备临床应用条件。在任何临床应用之前,需在更大样本队列中进行前瞻性验证。
术前评估前哨淋巴结(SLN)转移有助于为浸润性乳腺癌(IBC)患者实现个体化腋窝管理。本研究旨在开发并外部验证一种基于深度学习的超声影像组学模型,用于预测SLN转移。
本回顾性双中心研究纳入246例经病理学确诊的IBC患者。A中心的194例患者分为训练组(n = 155)和内部测试组(n = 39),B中心的52例患者作为外部验证组。通过ResNet50从术前超声图像中提取深度特征。在训练组中进行特征选择后,构建了梯度提升决策树分类器。采用受试者工作特征(ROC)曲线分析评估模型的区分能力,并运用决策曲线分析进行探索性净获益评估。
共保留22个深度学习提取特征。该模型在训练组、内部测试组和外部验证组中分别达到受试者工作特征曲线下面积(AUC)0.734(95% CI, 0.655–0.813)、0.761(95% CI, 0.601–0.920)和0.742(95% CI, 0.598–0.886)。在外部验证组中,准确率、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为0.769、0.650、0.844、0.722和0.794。决策曲线为探索性分析,不足以确立临床实用性。
该模型对SLN转移表现出中等区分能力,各队列的AUC点估计值相似但置信区间较宽;该模型仅提供初步区分和风险排序,目前尚不具备临床应用条件。在任何临床应用之前,需在更大样本队列中进行前瞻性验证。