基于超声的深度学习模型对乳腺癌HER2表达的预测价值
余娜芊1
刘宇2
姚梦霞2
黄春旺2
吴磊3
王瑛1
1.广州医科大学附属第一医院超声科,广州 5101202.南方医科大学附属广东省人民医院(广东省医学科学院)超声科3.南方医科大学附属广东省人民医院(广东省医学科学院)放射科
摘要：目的 探讨基于超声的深度学习模型,用于术前预测乳腺癌HER2 零表达(HER2-Zero)与HER2 低表达(HER2-Low)的潜在价值.方法 回顾性连续收集 2 所医院共 243 例经病理确诊为乳腺癌病人的临床资料和术前超声图像,据其来源医院将病人分为训练集(124例)和验证集(119例).利用ImageJ软件手动勾画超声图像中的病灶,在训练集中基于 3 种预训练的基础深度学习模型(VGG16、ResNet50、DenseNet121)构建基于超声的深度学习模型,并选出效能最优者.在训练集中,采用多因素逻辑回归分析筛选与HER2 状态相关的临床独立预测因素构建临床模型.将临床独立预测因素与最优的深度学习模型联合来构建综合模型.采用受试者操作特征曲线下面积(AUC)评估各模型的预测效能,并利用校准曲线和决策曲线评估综合模型拟合效果和临床净获益.结果 多因素逻辑回归分析显示Ki-67 表达状态是乳腺癌HER2 状态的临床独立预测因素.3 种深度学习模型中,DenseNet121模型效能最优,故以Ki-67 及DenseNet121 模型联合构建综合模型.在训练集和验证集中,综合模型的预测效能(AUC值分别 0.865、0.848)均高于临床模型与 3 个深度学习模型.校准曲线显示综合模型在 2个数据集中均具有较好的拟合效果(Hosmer-Lemeshow检验:P=0.267,0.398),决策曲线显示综合模型具有较宽的临床净获益范围.结论 基于超声的深度学习模型在术前预测乳腺癌病人HER2-Zero与HER2-Low表达状态方面有一定价值,能够为临床治疗决策提供依据.
关键词：超声深度学习乳腺癌人表皮生长因子受体2
分类号：R737.9(泌尿生殖器肿瘤)
资助基金：国家自然科学基金(82272088)国家自然科学基金(82102019)
论文发表日期：2024-05-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 288-293 )
英文信息