AI能帮助预测哪些DCIS患者需要分期升级

2022年1月6日--根据1月4日发表在《Radiology》上的研究表明，机器学习模型可以帮助预测哪些导管原位癌（DCIS）患者需要通过使用乳腺X光片的放射学特征进行分期升级。

杜克大学的Rui Hou博士领导的一个团队发现，基于乳腺X射线摄影技术的人工智能优于仅使用临床标准训练的模型。

Hou和他的同事说：“这表明有可能使用成像算法来改善患者护理并协助选择患者进行临床试验，”

DCIS 占所有新诊断乳腺癌的近 15%。虽然 DCIS 本身不会危及生命，但研究作者表示，这些病变可能是浸润性导管癌的前兆。

在所有新诊断的乳腺癌中，DCIS占了近15%。

虽然手术切除DCIS病变是标准做法，但目前正在探索主动监测方法，以解决对过度治疗的担忧。然而，预测哪些DCIS钙化会发展成浸润性癌症对放射科医生来说是一项困难的任务。

Hou等人希望使用他们开发的深度学习模型，回顾性地查看乳腺X光片的放射学特征，以预测根据活检结果被诊断为DCIS的妇女的浸润性癌症。他们专注于只出现钙化的妇女，因为她们可能符合主动监测等降级治疗策略。

该团队补充 “此外，我们还评估了我们的模型在接受手术患者的手术治疗规划中的应用，” 

该小组研究了700名平均年龄为59岁的DCIS妇女的数据，其中包括114名在手术时病变升级为浸润性癌症的患者。这些病例是在2008年至2017年间进行的活检。这些妇女被随机分成两组，400人用于训练组，300人用于测试组。

作者共提取了109个放射学特征和四个临床特征，并通过使用这些特征的组合来测试他们的模型。他们还在某些情况下使用了固定的敏感度和特异度。

研究人员发现，最好的组合是使用所有的放射学特征。通过这种方式，该模型有效预测趋势，ROC曲线下面积（AUC）为0.71。

对于固定的90%的高灵敏度模型，特异性为22%，阴性预测值为92%，比值比为2.4。而90% 的高特异性模型，其灵敏度为37%，阳性预测值为41%，比值比为5。

当仅使用放射学特征时，该模型的AUC为0.63。然而，当它只使用临床特征时，其性能被发现是 "一直很差"，每个单独特征的AUC在0.51和0.57之间。

Hou及其同事写道，他们正在继续使用深度学习预测模型，并从其他中心和成像平台收集外部测试数据。他们说， 使用这种工具进行风险分层可能会使低风险的临床环境中的治疗安全降级。

他们补充说："这些综合努力旨在实现更好的风险分层，从而为DCIS的基于风险的治疗提供一条可行的道路。

本篇为新闻译文，全篇原文发表于AuntMinnie.com，作者为该网站特约撰稿人Amerigo Allegretto