基于深度学习从治疗前动态乳腺MRI预测HER2靶向新辅助化疗疗效：一项多机构验证研究
定量方法
2020-01-24 v1 计算机视觉与模式识别
机器学习
图像与视频处理
应用统计
机器学习
摘要
预测新辅助治疗的疗效是乳腺癌中一个令人困扰的挑战。在本研究中，我们评估了深度学习从治疗前获取的动态对比增强（DCE）MRI预测HER2靶向新辅助化疗（NAC）疗效的能力。在一项回顾性研究中，我们纳入了来自5个机构的共157名HER2阳性乳腺癌患者的DCE-MRI数据，开发并验证了一种深度学习方法来预测治疗前HER2靶向NAC的病理完全缓解（pCR）。在单一机构接受HER2靶向新辅助化疗的100名患者被用于训练（n=85）和调优（n=15）一个卷积神经网络（CNN）以预测pCR。利用预处理前和延迟后对比DCE-MRI采集的多输入CNN被确定为在验证集中实现最优疗效预测（AUC=0.93）。随后该模型在两个具有治疗前DCE-MRI数据的独立测试队列上进行测试。其在来自第二个机构的28名患者测试集（AUC=0.85，95% CI 0.67-1.0，p=.0008）以及包含来自另外3个机构数据的29名患者多中心试验（AUC=0.77，95% CI 0.58-0.97，p=0.006）中均取得了良好性能。基于深度学习的疗效预测模型被发现在性能上超过了结合预测性临床变量的多变量模型（测试队列中AUC < .65）以及半定量DCE-MRI药代动力学测量模型（测试队列中AUC < .60）。本工作跨多个中心呈现的结果表明，经进一步验证，深度学习可提供一种有效且可靠的工具来指导乳腺癌的靶向治疗，从而减少HER2阳性患者的过度治疗。
引用
@article{arxiv.2001.08570,
title = {Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study},
author = {Nathaniel Braman and Mohammed El Adoui and Manasa Vulchi and Paulette Turk and Maryam Etesami and Pingfu Fu and Kaustav Bera and Stylianos Drisis and Vinay Varadan and Donna Plecha and Mohammed Benjelloun and Jame Abraham and Anant Madabhushi},
journal= {arXiv preprint arXiv:2001.08570},
year = {2020}
}
备注
Braman and El Adoui contributed equally to this work. 33 pages, 3 figures in main text