近70%的乳腺癌患者无需进行侵入性前哨淋巴结活检就可以发现他们的癌症是否已经扩散到淋巴结。《核医学杂志》提前发表的新研究表明，在机器学习(一种人工智能)的帮助下，可以根据PET/MRI成像可靠地排除腋窝淋巴结转移。
淋巴结转移的存在在治疗计划中起着至关重要的作用，特别是关于手术和放射的范围。因此，区分具有淋巴结转移的患者和没有淋巴结转移的患者具有很高的临床相关性。
该研究的作者迦娜·莫拉维茨博士说，他是德国杜塞尔多夫大学医院诊断和介入放射学研究所的放射住院医师：“60%的患者在乳腺癌的初始诊断时没有淋巴结转移，因此，希望能够通过高度确定性的成像来证明阴性淋巴结状态，以免除这些患者的活检或手术的侵入性程序。”
在这项研究中，研究人员试图确定机器学习预测模型是否可以像有经验的放射科医生一样准确地确定PET/MRI检查中的淋巴结状态。来自三个医学中心的总共303名原发性乳腺癌患者被招募用于该研究，并被分成训练组样本和测试组样本。
所有患者都进行了磁共振成像和全身18F-FDG PET/磁共振成像。基于结构和功能特征，对影像数据集进行腋窝淋巴结转移评估。基于MRI和PET/MRI训练组样本开发机器学习模型，然后应用于测试组样本。
对于放射科医生和机器学习算法来说，MRI的诊断准确率为87.5%。对于PET/MRI，放射科医生的准确率为89.3%，机器学习的准确率为91.2%。在调整PET/MRI的机器学习模型后，灵敏度达到96.2%，特异性达到68.2%。
Morawitz指出：“根据从MRI和PET/MRI扫描中收集的信息，可以制作决策树来帮助放射科医生——特别是年轻的放射科医生——确定是否需要进行前哨淋巴结活检，将这种模式结合到日常实践中，有可能在未来取代前哨淋巴结活检。"
图形摘要:新诊断的乳腺癌患者接受PET/MRI扫描以研究腋窝淋巴结受累情况。然后，放射科医师根据易于评估的形态学和代谢性淋巴结标准，评估是否存在淋巴结受累(淋巴结阳性对淋巴结阴性)。基于这些数据，训练随机森林模型。因此，确定了与淋巴结状态评估相关的最重要的淋巴结标准。通过调整阈值，现在可以通过随机森林的方式增加灵敏度，使得68.2%的患者可以省去腋窝活检。
更多信息:
