跳到正文
arXiv cs.AI· Pablo Garc\'ia Marcos, Paula Puerta Gonz\'alez, Guillermo Lorenzo, H\'ector G\'omez, Covadonga del Camino, Ad\'an Rodr\'iguez, Ignacio Pel\'aez, Angel Rio-Alvarez, V\'ictor M. Gonz\'alez·· 10 小时前AI 评分29

结合扩散与增强 MRI 及临床变量的新辅助化疗反应预测深度学习模型

Neoadjuvant chemotherapy response prediction using pretreatment diffusion and contrast-enhanced magnetic resonance imaging with clinical variables

AI 导读

一项基于 ACRIN 6698/I-SPY2 多中心数据集的深度学习模型,仅用治疗前表观扩散系数图、动态增强 MRI 与临床变量预测乳腺癌病理完全缓解,采用 EfficientNet-B0 预训练编码器并晚期融合临床信息。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在新辅助化疗前预测病理完全缓解,可能有助于为乳腺癌患者制定更个性化的治疗方案。本工作提出了一种仅使用治疗前数据的深度学习模型,融合了表观扩散系数图、动态对比增强磁共振成像和临床变量。该研究使用了公开的 ACRIN 6698/I-SPY2 多中心数据集。该架构采用 EfficientNet-B0 预训练编码器进行图像特征提取,并与临床信息进行后期融合。研究评估了多个临床变量,包括年龄、种族、组织学类型、HR/HER2 亚型、SBR 分级和最大直径。只有 HR/HER2 亚型提高了受试者工作特征曲线下面积(AUC)的平均值,并被保留在最终模型中。采用分层五折交叉验证,单独使用表观扩散系数图的平均 AUC 为 0.79,而动态对比增强磁共振成像为 0.74。加入 HR/HER2 亚型后,性能分别提升至 0.83 和 0.81。最终配置同时使用两种成像模态和 HR/HER2 亚型,AUC 达到 0.86。这些结果支持将治疗前多模态学习用于疗效预测,但在临床使用前仍需进行外部验证。
评论: 正在 Pattern Recognition Letters 审稿中。7 页,2 幅图,3 张表
主题: 人工智能(cs.AI);计算机视觉与模式识别(cs.CV)
引用为: arXiv:2609.26105 [cs.AI]
  (或 arXiv:2609.26105v2 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2609.26105

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Víctor González M. [查看电子邮件]
[v1] 2026 年 8 月 18 日星期二 11:52:18 UTC(98 KB)
[v2] 2026 年 11 月 17 日星期二 19:32:13 UTC(1,546 KB)

来源:arXiv cs.AI · arxiv.org