PD-DWI：利用生理分解扩散加权MRI机器学习模型预测浸润性乳腺癌对新辅助化疗的反应

早期预测乳腺癌新辅助化疗（NAC）后病理完全缓解（pCR）在手术规划与优化治疗策略中起着关键作用。近来，基于机器学习和深度学习的方法被提出用于从多参数MRI（mp-MRI）数据（包括动态对比增强MRI和扩散加权MRI（DWI））早期预测pCR，取得了中等程度的成功。我们提出PD-DWI，一种生理分解的DWI机器学习模型，用于从DWI和临床数据预测pCR。我们的模型首先将原始DWI数据分解为影响DWI信号的各种生理线索，然后将分解后的数据连同临床变量一起作为基于放射组学的XGBoost模型的输入特征。我们利用公开可用的乳腺癌新辅助化疗反应多参数MRI（BMMR2）挑战赛，证明了我们的PD-DWI模型相对于从mp-MRI数据预测pCR的常规机器学习方法具有附加价值。对于挑战赛测试集，我们的模型大幅提升了曲线下面积（AUC），相较于排行榜当前最佳结果（0.8849 对比 0.8397）。PD-DWI有潜力改善乳腺癌NAC后pCR的预测，减少整体mp-MRI采集时间，并消除对比剂注射的需要。