PET/MRI机器学习模型可以消除大多数乳腺癌患者的前哨淋巴结活检
![Patients with newly diagnosed breast cancer receive a PET/MRI scan to investigate axillary lymph node involvement. The radiologist then assesses whether lymph node involvement is present (nodal positive vs. nodal negative) based on easily assessable morphological and metabolic lymph node criteria. Based on these data, a random forest model is trained. Thus, the most important lymph node criteria relevant for the assessment of the lymph node status are determined. By adjusting the threshold, the sensitivity can now be increased by means of a random forest in such a way that 68.2% of patients can be spared an axillary biopsy. Credit: <i>Journal of Nuclear Medicine</i> (2022). DOI: 10.2967/jnumed.122.264138 PET/MRI机器学习模型可以消除大多数乳腺癌患者的前哨淋巴结活检](https://scx1.b-cdn.net/csz/news/800a/2022/petmri-machine-learnin.jpg)
近70%的乳腺癌患者无需进行侵入性前哨淋巴结活检就能发现癌症是否已经扩散到淋巴结。一项新研究提前在《美国科学》杂志上发表核医学杂志显示在机器学习(一种人工智能)的帮助下,基于PET/MRI成像可以可靠地排除腋窝淋巴结转移。
淋巴结转移的存在在治疗计划中起着至关重要的作用,特别是关于手术和放疗的范围。因此,区分淋巴结转移患者与无淋巴结转移患者具有较高的临床意义。
“60%的患者在初次诊断乳腺癌时没有淋巴结转移,”研究作者Janna Morawitz医学博士说,她是德国大学医院诊断和介入放射学研究所的放射学住院医师Düsseldorf。
“因此,我们希望能够通过高度确定的成像来证明淋巴结状态为阴性,从而使这些患者免于活检或手术的侵入性程序。”
在这项研究中,研究人员试图确定是否机器学习预测模型可以像经验丰富的放射科医生一样准确地在PET/MRI检查中确定淋巴结状态。共有303个初级乳腺癌患者从三个医疗中心招募了研究人员,并分为训练组样本和测试组样本。
所有患者均行MRI和专用的全身18F-FDG PET/MRI。对图像数据集进行腋窝评估淋巴结转移根据结构和功能特点。基于MRI和PET/MRI训练组样本开发机器学习模型,然后应用于测试组样本。
无论是放射科医生还是机器学习算法,MRI的诊断准确率都是87.5%。对于PET/MRI,放射科医生的准确率为89.3%,机器学习的准确率为91.2%。调整PET/MRI机器学习模型后,灵敏度为96.2%,特异性为68.2%。
Morawitz指出:“基于从MRI和PET/MRI扫描中收集到的信息,决策树可以帮助放射科医生——尤其是年轻的放射科医生——确定是否需要进行前哨淋巴结活检。”“将这个模型融入每天练习未来有可能取代前哨淋巴结活检。”