利用多参数 MRI 与优化的合成相关扩散成像提高乳腺癌病理完全缓解预测
内容提要
最新研究表明，结合优化的合成相关扩散成像（CDI$^s$）和扩散加权成像（DWI）的多参数MRI方法，能有效预测乳腺癌分级，准确率达到95.79%。基于机器学习的模型还可提高病理完全缓解预测的精度，减少mp-MRI采集时间和对比剂使用，为乳腺癌的诊断和治疗提供重要支持。
延伸解读
多参数MRI融合提升乳腺癌分级准确率
该研究将优化的合成相关扩散成像（CDI$^s$）信号与扩散加权成像（DWI）融合，为每位患者创建多参数MRI，并在更大患者队列上训练。通过在预训练的MONAI模型的所有层进行训练，实现了95.79%的留一交叉验证准确性，比先前报道高出8%。这表明非侵入性方法在乳腺癌分级中具有巨大潜力，且多参数融合策略能显著提升模型性能。
机器学习模型减少对比剂使用与采集时间
使用生理分解DWI的机器学习模型PD-DWI，结合临床数据预测病理完全缓解反应，具有比传统机器学习方法更高的预测精度。该方法可用于减少mp-MRI采集时间和消除对比剂注射的需求，从而降低患者负担和潜在风险，为乳腺癌诊断和治疗提供更安全高效的途径。
自动分割与合成数据推动pCR预测自动化
研究提出使用“Size-Adaptive Lesion Weighting”的深度学习模型进行自动DWI肿瘤分割，以提高病理完全缓解预测准确性，并在预治疗期间匹配人类专家表现。此外，合成数据能有效训练人工智能模型，病理学家难以检测合成图像，这为克服数据稀缺和加速癌症诊断模型开发提供了新思路。
开放数据集与注册方法促进研究可重复性
Cancer-Net BCa是一个包含253例临床前乳腺癌患者CDI$^s$成像数据的多机构开放数据集，旨在加速癌症诊断和治疗的全球开源倡议。同时，针对新辅助化疗后乳腺DCE-MRI的长期变形注册方法，能精确量化肿瘤变化并保持肿瘤体积，其局部-全局结合生物标志物在pCR预测中取得高准确性，表明预测信息存在于肿瘤区域之外。
Q&A
多参数MRI如何提高乳腺癌分级的预测准确性？
结合优化的合成相关扩散成像（CDI$^s$）和扩散加权成像（DWI），多参数MRI的准确率达到95.79%。
机器学习模型在乳腺癌病理完全缓解预测中有什么优势？
基于机器学习的PD-DWI模型结合临床数据，能提高病理完全缓解预测的精度，并减少mp-MRI采集时间和对比剂使用。
Cancer-Net BCa数据集的目的是什么？
Cancer-Net BCa是一个包含253例临床前乳腺癌患者CDI$^s$成像数据的开放数据集，旨在加速癌症诊断和治疗。
如何通过深度学习模型提高DWI肿瘤分割的准确性？
研究提出了一种使用“Size-Adaptive Lesion Weighting”的深度学习模型，能够自动进行DWI肿瘤分割，提高病理完全缓解预测的准确性。
新辅助化疗后如何评估乳腺DCE-MRI的变化？
研究提出了一种长期变形注册方法，能够精确量化肿瘤变化，并提高肿瘤体积保持性能。
合成数据在训练人工智能模型中有什么潜力？
研究展示了合成数据在训练人工智能模型中的有效性，尤其是在癌症诊断方面具有巨大潜力。
