局部晚期乳腺癌（LABC）常采用新辅助化疗（NAC）。NAC可以在手术前安全地缩小肿瘤体积，可为原本丧失手术机会的患者重新获得手术切除肿瘤的机会。

本研究旨在开发并验证一种基于治疗前后超声检查的深度学习放射线诺模图（DLRN），用于术前评估NAC后乳腺癌的病理完全缓解（pCR）情况。

从两家医院招募了拟进行术前NAC的组织学明确的LABC患者（训练队列，n=356；独立外部验证队列，n=236）。提取可反映治疗前（放射学特征[RS] 1）和治疗后肿瘤（RS2）表型的深度学习和手动放射特征。最小冗余最大相关算法和最小绝对收缩与选择算子回归用于特征选择和RS构造。

不同模型的表现对比

DLRN可准确地判定pCR状态，在验证队列中，接收者操作特征曲线下的面积为0.94（95％CI 0.91-0.97），且校准良好。在两个队列中，DLRN表现均优于临床模型和单一RS（p<0.05），还优于两位专家对pCR的预测（p<0.01）。

该模型在不同亚型乳腺癌中的表现

此外，该模型在外部验证队列激素受体阳性/人表皮生长因子受体2（HER2）阴性、HER2+和三阴性亚组乳腺癌患者中的也取得了良好的评估识别表现，对应的AUC分别为0.90、0.95和0.93。决策曲线分析证实该模型对临床有用。

综上，这个基因新辅助治疗前后超声影像的深度学习诺模图可准确的评估LABC患者NAC后的pCR情况，为个体化治疗提供信息。

原始出处：

Meng Jiang, et al. Ultrasound-based deep learning radiomics in the assessment of pathological complete response to neoadjuvant chemotherapy in locally advanced breast cancer. Eur J Cancer. February 24, 2021. https://doi.org/10.1016/j.ejca.2021.01.028

Tags： Eur J Cancer：可准确评估局部晚期乳腺癌患者NAC后的完全缓解的深度学习模型！