Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study
这项两中心回顾性研究开发并外部验证了一个基于 ResNet50 和梯度提升算法的深度学习衍生超声影像组学模型，该模型在术前预测浸润性乳腺癌患者前哨淋巴结转移方面表现出中等且一致的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在乳腺癌治疗的过程中，有一个至关重要的决定发生在进行第一次切口之前：确定癌症是否已经扩散到附近的淋巴结。这些小小的、豆状的器官是身体的第一道防线，负责过滤来自乳房的液体。如果癌细胞已经转移到那里，手术方案就会发生显著变化。传统上，医生必须进行前哨淋巴结活检，即由外科医生移除一个特定的淋巴结，并在显微镜下检查是否存在癌症。虽然这种方法很有效，但它是一种侵入性的步骤，会带来肿胀和不适的风险，而且并不总是完美的；有时，这项测试会漏掉癌症，而有时，它又会导致那些癌症并未扩散的患者接受不必要的切除手术。几十年来，研究人员一直在寻找一种使用非侵入性工具来预测这种扩散的方法，希望能让患者免于进行他们并不需要的程序。超声波是一种常见的影像技术，利用声波创建人体图像，长期以来一直是观察乳腺肿块的标准工具，但其观察癌症细胞“隐形”扩散的能力，一直受到人类肉眼解读图像能力的限制。
来自中国两家医院的研究团队通过教计算机识别超声图像中人类肉眼可能忽略的模式，为这个老问题采取了一种新方法。他们专注于一种被称为浸润性乳腺癌的特定类型，在这种类型中，肿瘤具有突破乳腺组织并转移到淋巴结的潜力。该团队收集了246名患者的肿瘤超声图像，所有这些患者都接受过手术，以确认其淋巴结是否含有癌症。他们将这些患者分为两组：一组来自广州的一家医院，用于教导计算机；另一组来自另一家不同的医院，用于测试计算机是否能将其学到的知识应用于新的、未见的患者。计算机观察图像的方式与放射科医生不同，它不会去注意肿瘤的形状或亮度。相反，它使用了一种深度学习系统（一种人工智能类型），将图像分解成数千个微小的数学细节。随后，该系统使用决策算法来寻找能够最好地预测癌症是否已到达淋па结的特定细节组合。
这项研究的结果表明，该计算机模型在做出这些预测方面取得了中等程度的成功。当在用于训练系统的患者组进行测试时，模型的AUC达到了0.73。当研究人员在来自第二家医院的独立患者组上测试同一个模型时，性能保持一致，模型的AUC达到了0.74。这种在两家使用不同超声机的医院之间的一致性，表明计算机学到的是一种真实的模式，而不仅仅是记住了它所看到的特定图像。然而，该模型并不是一个完美的预言球。在来自第二家医院的测试组中，该模型在正确识别那些没有癌症扩散的患者方面表现得非常好，成功率约为8کس84%。这是一个非常有价值的发现，因为这意味着该工具可能有助于医生更有信心地为某些低风险患者跳过侵入性活检。
然而，研究也强调了该工具的不足之处。该模型在捕捉每一个癌症已经扩散的病例方面表现较弱，仅能在约65%的情况下正确识别这些病例。由于它漏掉了一些扩散病例，研究人员强调，该工具本身不能取代标准的活检程序。如果医生仅仅依靠这种计算机预测来排除癌症扩散，他们可能会错误地让一些患者在未接受必要治疗的情况下回家。作者将该模型描述为一个有益的助手而非替代品，是一个可以为决策过程增加一层信息层面的工具。他们指出，该研究是回顾性的，这意味着它是对已经收集的数据进行的回溯，且患者数量相对较少。研究人员还指出，计算机并没有被教导去解释它为什么做出某种决策，这是这类先进人工智能面临的常见挑战。
根据作者的说法，未来的路径包括在未来更大规模的患者群体中测试这一工具。他们建议，在这一技术投入日常诊所使用之前，需要在前瞻性研究中证明其有效性，即通过随访患者以观察其预测在现实世界实践中的表现。其目标是观察将这种计算机分析与其它标准信息（如肿瘤大小或患者年龄）相结合，是否能进一步提高准确性。目前，这项研究为人工智能未来可能帮助医生做出更个性化决策提供了一个充满希望的景象，这可能在确保需要治疗的女性获得治疗的同时，让一些女性免于不必要的手术。这项工作表明，尽管该技术尚未准备好投入广泛应用，但它已经超越了理论阶段，并在临床环境中展示了真实且可衡量的潜力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。