Prediction of pathologic complete response to neoadjuvant systemic therapy in triple negative breast cancer using deep learning on multiparametric MRI.
Prediction of pathologic complete response to neoadjuvant systemic therapy in triple negative breast cancer using deep learning on multiparametric MRI.
复制标题
DOI：
10.1038/s41598-023-27518-2
复制
发表时间：
2023-01-20
影响因子：
4.6
通讯作者：
中科院分区：
文献类型：
--
作者：
三阴性乳腺癌（TNBC）是乳腺癌的一种侵袭性亚型。新辅助全身治疗 (NAST) 随后进行手术是目前 TNBC 的标准治疗方法，50-60% 的患者实现病理完全缓解 (pCR)。我们研究了深度学习 (DL) 对 NAST 早期获得的动态对比增强 (DCE) MRI 和扩散加权成像的能力，以预测 TNBC 患者乳腺的 pCR 状态。在使用 130 名 TNBC 患者图像的开发阶段，DL 模型的训练和验证的受试者工作特征曲线 (AUC) 面积分别为 0.97±0.04 和 0.82±0.10。在 32 名患者的独立测试组中进行评估时，该模型的 AUC 为 0.86±0.03。在另外一个由 48 名患者组成的前瞻性盲法测试组中，该模型的 AUC 为 0.83±0.02。这些结果表明，基于多参数 MRI 的 DL 可以在 NAST 早期区分 TNBC 患者的乳腺 pCR 或非 pCR。
Triple-negative breast cancer (TNBC) is an aggressive subtype of breast cancer. Neoadjuvant systemic therapy (NAST) followed by surgery are currently standard of care for TNBC with 50-60% of patients achieving pathologic complete response (pCR). We investigated ability of deep learning (DL) on dynamic contrast enhanced (DCE) MRI and diffusion weighted imaging acquired early during NAST to predict TNBC patients’ pCR status in the breast. During the development phase using the images of 130 TNBC patients, the DL model achieved areas under the receiver operating characteristic curves (AUCs) of 0.97 ± 0.04 and 0.82 ± 0.10 for the training and the validation, respectively. The model achieved an AUC of 0.86 ± 0.03 when evaluated in the independent testing group of 32 patients. In an additional prospective blinded testing group of 48 patients, the model achieved an AUC of 0.83 ± 0.02. These results demonstrated that DL based on multiparametric MRI can potentially differentiate TNBC patients with pCR or non-pCR in the breast early during NAST.
登录
查看更多内容
影响因子：
4.4
作者：
Malik V;Kalakoti Y;Sundar D
通讯作者：
Sundar D
影响因子：
4.6
作者：
Choi JH;Kim HA;Kim W;Lim I;Lee I;Byun BH;Noh WC;Seong MK;Lee SS;Kim BI;Choi CW;Lim SM;Woo SK
通讯作者：
Woo SK
影响因子：
19.7
作者：
Park, Sang Hee;Moon, Woo Kyung;Noh, Dong-Young
通讯作者：
Noh, Dong-Young
影响因子：
4.4
作者：
Ha, Richard;Chin, Christine;Jambawalikar, Sachin
通讯作者：
Jambawalikar, Sachin
影响因子：
50.5
作者：
Dogan, B. E.;Turnbull, L. W.
通讯作者：
Turnbull, L. W.