基于深度学习的影像组学未能改善LIMA乳腺MRI试验中新辅助化疗后残余癌症负荷的预测
本研究在LIMA试验框架下,用105例单机构训练集和41例三机构外部测试集,比较三种分割网络提取的深部影像组学特征与肿瘤体积、分子亚型对乳腺MRI新辅助化疗后病理完全缓解和残余癌症负荷的预测效能。结果显示深部影像组学模型与标准预测因子效能相似且无互补价值,肿瘤体积和亚型仍是重要预测因子。
要点
- 深部影像组学预测pCR的AUC为0.68–0.74,预测RCB的AUC为0.68–0.79,与仅用肿瘤体积模型(pCR AUC 0.74、RCB AUC 0.70)无统计学差异。
- 联合深部影像组学与临床-影像学模型未带来任何改善,集成模型预测RCB的AUC为0.77。
- 肿瘤体积和分子亚型仍是新辅助化疗后治疗结局的重要预测因子,深部影像组学可能是在无法确定肿瘤体积和/或亚型时的替代选择。
核心结论
- 分割网络提取的深部影像组学所含信息与肿瘤体积和亚型相似,可推断pCR和RCB,但在LIMA试验中不能补充标准临床预测因子。
研究设计与样本
- 回顾性研究,训练集为105例单机构患者(2011年1月至2019年12月),测试集为41例来自LIMA试验的三机构患者(2019年12月至2021年10月),均行DCE-MRI并于术后判定RCB,参考标准为中央复核的病理切除标本RCB评估。
关键影像表现/征象
- 测试集分割Dice评分中位数(IQR)为nnU-Net 0.75(0.27–0.90)、Attention U-Net 0.79(0.33–0.91)、VQED 0.75(0.44–0.87)。
- 深部特征的主成分与化疗前肿瘤体积、化疗后肿瘤体积、病理残余病灶床面积及病理细胞密度存在中度或强相关。
- 探索性分析显示深部特征分布随肿瘤亚型、肿瘤形状/强化及水肿存在而变化。
- 集成模型权重分析显示大部分预测贡献来自临床-影像学模型和VQED,nnU-Net和Attention U-Net对集成模型结果无影响。
诊断标准与关键数值
- 深部影像组学模型预测pCR的AUC为0.68–0.74,预测RCB-0/I versus RCB-II/III的AUC为0.68–0.79。
- 仅用肿瘤体积模型预测pCR的AUC为0.74,预测RCB的AUC为0.70。
- 临床-影像学模型预测pCR的AUC为0.72–0.74,预测RCB的AUC为0.70–0.72;集成模型预测pCR的AUC为0.73,预测RCB的AUC为0.77。
- 深部影像组学模型的Spearman相关系数为0.45–0.51,联合模型为0.53。
- 模型间AUC比较无统计学显著差异。
临床应用与阅片要点
- 在乳腺DCE-MRI新辅助化疗后评估中,肿瘤体积和分子亚型仍是预测pCR和RCB的重要参数,深部影像组学未显示额外补充价值。
- 深部影像组学可能是在确定肿瘤体积和/或亚型不可行时的替代选择。
- VQED模型仅用57个深部特征浓缩为21个主成分,而Attention U-Net需要超过一万个特征产生78个主成分。
局限性
- 训练集为单机构回顾性数据,测试集来自LIMA试验的三家机构,训练集与测试集在组织学、N分期、肿瘤分级、亚型和化疗方案上存在显著差异。
- 训练集中3例患者病理切片无法复核计算RCB,其中2例临床记录报告pCR并赋RCB评分0,剩余1例被排除。
- 测试集中61%患者接受含卡铂方案,而训练集仅2%。
- 研究未证明深部影像组学相对于临床-影像学参数的统计学显著改善,集成模型也未带来改善。
全文中译17 节 · 点击展开
引言
新辅助化疗(NAC),即在手术前给予化疗,正日益成为局部晚期乳腺癌(LABC)患者的常见治疗策略。已知NAC后切除标本中完全不存在显微镜下肿瘤细胞与更优的总生存期和无复发生存期相关[1]。除病理完全缓解(pCR)外,残余肿瘤负荷(RCB)也已被证明与无事件生存期相关[2, 3]。
近期研究关注于在预期pCR的情况下尽量减少或省略手术[4, 5]。因此,探索手术前肿瘤对NAC反应的预测因素具有相当大的意义。然而,可靠的pCR预测因素尚未被确定。动态对比增强磁共振成像(DCE-MRI)被认为是三维显示乳腺病灶最敏感的方法[6],但无论是DCE-MRI还是其他影像学方法如超声或乳腺X线摄影,均未能提供足够的特异性来可靠识别pCR[7–10]。甚至对肿瘤部位进行靶向活检也因采样误差而未能充分提高准确性以安全地省略手术[5]。
目前尚不清楚MRI上的肿瘤占据区域是否含有肉眼不可见的其他因素,这些因素可能为肿瘤反应的常规生物标志物(如肿瘤体积)提供额外价值。多项研究尝试使用机器学习在DCE-MRI上预测或评估NAC反应。方法通常分为两类:放射组学,即使用一组手工设计的特征;以及深度学习,即尝试从影像数据中学习最佳表征。大多数研究因验证仅限于较旧和/或单中心数据,或无法证明优于常规临床参数的补充价值,临床适用性有限[11–13]。
基于深度学习的放射组学领域,即深度放射组学,代表了一种较新的范式,已引起相当大的关注[14]。深度放射组学将成熟的机器学习技术与使用深度学习的自动特征提取相结合来分析影像数据。传统放射组学需要耗时的手工特征工程,而深度放射组学则全自动提取代表性特征集。目前,对于哪种深度放射组学方法最适合从影像中提取相关特征尚无共识,其在乳腺DCE-MRI上评估NAC反应的性能也尚不清楚。
本研究旨在评估深度放射组学在局部晚期乳腺癌患者NAC后、手术前评估RCB的预测价值,并与肿瘤体积和亚型等标准临床预测因素进行比较。
材料与方法
研究对象
本回顾性研究使用了两个队列:用于训练的单中心队列和用于测试与验证的多中心队列。训练集为回顾性获取。机构审查委员会(IRB)(乌得勒支医学研究伦理委员会[METC Utrecht],编号19-245)豁免了知情同意和伦理审查的要求。测试集在前瞻性临床试验的背景下获取,该试验经IRB批准(METC Utrecht,编号19-396),并获得了所有参与者的知情同意。两个数据集均已在[15]中详细描述,下文简要总结。
训练集包括2011年1月至2019年12月期间在乌得勒支大学医学中心(UMC Utrecht)接受新辅助化疗(NAC)后手术治疗的1–3期浸润性乳腺癌患者。寡转移性疾病患者若接受根治性意图治疗则被纳入。排除标准为:外部、不完整或损坏的诊断影像,与治疗指南的重大偏差,既往恶性肿瘤复发,同时针对非乳腺恶性肿瘤的全身治疗,以及影像检查时乳腺区域存在异物(放射学标记物除外)。
测试集包括来自液体活检与影像(LIMA)研究[16]的患者。2019年12月至2021年10月期间从四家机构纳入经组织学证实为浸润性乳腺癌并计划接受NAC的患者。排除标准为:Luminal A亚型、炎性乳腺癌、诊断时存在任何远处转移、同侧乳腺癌既往史,以及DCE-MRI禁忌证。为避免与训练集中的医院重叠,来自UMC Utrecht的患者被排除在测试集之外。
MR成像
所有患者均进行了DCE-MRI检查。本研究使用了两次检查:任何NAC之前的基线检查(“NAC前”),以及手术前的一次检查(“NAC后”)。第二次DCE-MRI检查在手术前完成全部NAC周期后或完成六周期NAC中的五周期后进行,取决于患者的NAC方案。测试集中的所有检查均由一位专职乳腺MR放射科医师(E.J.M.W.v.d.B.,20年经验)按照乳腺影像报告和数据系统(BI-RADS)描述符进行集中复核,如先前所述[17, 18]。
DCE-MRI方案在训练队列中包括五个增强后序列,在测试集中包括至少三个增强后采集,间隔60–90秒。本研究仅分析T1加权动态对比序列。采集参数详见表1。在训练队列中,影像检查使用单一厂商(Philips)的1.5-T或3-T MRI扫描仪进行,而在测试集中,影像检查仅使用多个厂商的3-T扫描仪进行。所有扫描均应用了脂肪抑制。
组织病理学切除标本评估
所有组织病理学切除标本均由一位专职乳腺病理学家(P.J.v.D.,30年经验)进行集中复核以评估RCB [19]。切除标本不可获得的病例,若为pCR,则RCB评分记为0.0。有残留浸润性疾病报告但无可用切除标本的病例被排除。RCB按Symmans等人所述分为四类。为进一步分析,RCB-0类(=pCR)和RCB-I类(微小残留病)归类为应答者,而RCB-II类和RCB-III类(中度至广泛残留病)归类为无应答者。根据新辅助化疗前活检的受体谱,肿瘤亚型分为三阴性(TN),即雌激素(ER)、孕激素和HER2受体均为阴性,ER+/HER2-或HER2+,分类方法同前 [15]。肿瘤浸润淋巴细胞(TILs)的百分比由两位经验丰富的乳腺病理学家按先前所述方法评估 [20]。
图像预处理
使用Verburg等人所述方法 [21],图像在前后方向上自动裁剪于乳头上方1 cm至乳间沟后方5 cm之间。随后,使用elastix将所有增强后DCE-MRI配准至增强前采集 [22]。配准后,图像重采样至训练集的中位体素间距。未应用偏置校正。
真实肿瘤分割
真实肿瘤分割采用半自动区域生长法获得,遵循先前描述的流程 [15, 23]。简言之,将一个或多个种子点置于肿瘤中心内或附近,随后进行约束性体积生长。任何错误分割的血管均被手动移除。种子点的放置和检查基于临床放射学报告,由一位生物医学工程师(M.H.A.J.,5年乳腺MRI经验)在一位乳腺MR放射科医生(E.J.M.W.v.d.B.,20年经验)的监督下完成。
CNN训练
使用三个针对肿瘤分割训练的卷积神经网络(CNN)来计算深度特征:nnU-Net [24]、Attention U-Net [25]和矢量量化编码器-解码器(VQED)[26]。我们选择这些网络的原因如下:(1)nnU-Net是最流行的医学分割框架之一,具有多种可用的预训练网络;(2)Attention U-Net是类似的U-Net衍生架构(增加了注意力门控),但实现完全独立,从而减轻了与nnU-Net实现相关的任何潜在问题;(3)VQED是一种非U-Net衍生的网络,此前在深度特征提取方面已显示出前景。
网络的输入由T1加权增强前序列和多个增强后序列组成,目标输出为肿瘤的分割掩膜。Dice评分用于评估测试集上的分割性能,限于有症状的乳腺区域 [15]。若可用的增强后序列少于五个,则延续使用最后一个序列以获得总共五个序列。
第一个卷积神经网络(CNN)是先前训练好的、公开可用的基于三维nnU-Net的CNN [15, 24],输入为一个增强前序列和五个增强后序列。该先前研究使用了与当前研究相同的训练数据集。第二个CNN是二维注意力门控U-Net [25],输入为增强前、第一增强后和第五增强后序列的所有层面。有关Attention U-Net训练过程的详细信息见补充信息。第三个也是最后一个CNN是基于Kobayashi等人[26]工作的矢量量化编码器-解码器(VQED)网络。该二维网络的输入同样为增强前和五个增强后序列的轴位层面。所有网络均使用各自默认的数据增强参数进行训练。
深度特征计算
分割网络通常将输入图像下采样为更紧凑的表示,然后再上采样回原始图像尺寸。下采样程度最高的层称为瓶颈层,包含分割所需的图像最紧凑表示。我们将该层中的单个神经激活定义为“深度特征”,即瓶颈层中给定通道的激活。随后将这些深度特征组合为一个特征激活向量用于后续建模。深度特征基于分割输出中对应的体素从瓶颈层提取。如图1所示。特征提取的技术细节见补充信息。
深度特征分别针对每次检查(新辅助化疗前和新辅助化疗后序列)提取,并通过从相应的新辅助化疗前特征中减去新辅助化疗后特征来计算一组delta-NAC特征。
RCB预测
训练了六个随机森林回归模型来预测RCB评分:三个深度影像组学模型(每个神经网络一个)、两个仅使用常规临床可用信息的模型(即“临床-影像学模型”),以及一个将神经网络模型与一个临床-影像学模型(最全面的模型)结合的集成(组合模型)。我们在补充信息中详述了训练过程,包括使用主成分分析(PCA)进行降维。值得注意的是,随机森林回归模型的最优超参数通过在训练集上进行五折交叉验证确定。
训练了两个临床-影像学模型作为基线参考。第一个模型使用了两个与肿瘤体积相关的输入特征:新辅助化疗后肿瘤体积(单位为mm³)以及相较于基线的体积差异(单位为mm³),二者均基于肿瘤分割确定。第二个模型还考虑了肿瘤亚型(TN、ER+/HER2-或HER2+)[15]。这些特征未应用PCA。
构建并测试了集成模型以评估其可能的互补价值:基于三个深度影像组学模型和包含体积与亚型的临床-影像学模型的预测RCB输出,拟合线性回归模型来预测RCB。线性回归约束为正系数且截距为零。随后提取线性回归模型的系数,以确定每个模型对集成模型最终输出的个体影响。
统计学评估
本研究的主要终点为RCB评分。预测RCB评分与实际RCB评分之间的相关性使用Spearman相关系数评估。基于预测RCB评分,从二分类类别RCB-0/RCB-I versus RCB-II/III以及pCR versus 非pCR中计算受试者工作特征曲线下面积(AUC)。评估在训练集上使用五折交叉验证进行,测试集被视为留出集。
进行描述性分析以检验训练集与测试集之间临床病理特征的差异。分类变量使用卡方检验比较,正态分布的连续变量使用Student's t检验比较,其他连续变量使用Mann–Whitney U检验比较。在测试集上,深度特征主成分与临床参数之间的相关性使用Spearman相关系数评估。Kruskal–Wallis检验用于检验分类变量(BI-RADS描述符和亚型)与深度特征主成分之间的关联,以筛选进一步探索的特征。AUC的置信区间和比较使用DeLong方法计算。p值< 0.05被认为具有统计学意义。
统计检验使用Python 3.8.15及SciPy 1.9.3和scikit-learn 1.2.2进行,ROC分析使用R 4.3.0及pROC 1.18.2包进行,以检验测试集上AUC值的统计学显著差异。cvAUC 1.1.4包用于计算训练集上交叉验证AUC曲线的置信区间[27, 28]。
结果
研究对象
训练集纳入105例患者(图2),测试集纳入41例患者(图3)。训练集与测试集在组织学、N分期、肿瘤分级、亚型和化疗方案方面显示出显著差异(表2)。
组织病理学切除标本评估
在训练集中,3例患者的组织病理学切片无法获取用于复核和RCB计算。然而,这3例患者中有2例在临床患者记录中报告为pCR,因此被赋RCB评分0。剩余1例患者被排除。在测试集中,所有组织病理学切除标本均经过复核。训练集pCR率为22.9%(24/105),测试集为31.7%(13/41)(表2)。训练集(1.53)与测试集(1.59)之间的RCB评分中位数未发现显著差异(p = 0.61,Mann–Whitney U检验)。
分割性能
测试集中分割的Dice评分的中位数和四分位距(IQR,定义为跨越第一至第三四分位数的范围)为:nnU-Net为0.75(IQR:0.27–0.90),Attention U-Net为0.79(IQR:0.33–0.91),VQED为0.75(IQR:0.44–0.87)。我们在补充图1中展示了示例分割及相关的真实标注。
RCB预测建模
交叉验证结果显示,大多数模型在训练集上使用50棵树且树的最大深度较小时表现最佳(补充表1)。对训练集中交叉验证性能的分析显示,pCR以及RCB的AUC置信区间高度重叠(补充表2)。在测试集中也观察到类似效应:虽然深度影像组学方法的AUC点估计值更高,尤其是对RCB的预测,但在两个数据集中均未能证明其相对于临床-影像学参数具有统计学显著的改善。也未观察到深度影像组学模型因泛化不良而较临床-影像学模型性能下降的现象:临床-影像学模型预测pCR的AUC为0.72–0.74,而深度影像组学模型的AUC为0.68–0.74,集成模型为0.73(表3,图4)。在预测RCB方面,临床-影像学模型的AUC为0.70–0.72,深度影像组学模型为0.68–0.79,集成模型的AUC为0.77。集成模型的Spearman相关系数在受测模型中最高,为 。
将深度特征的主成分与临床参数进行相关性分析显示,若干成分与新辅助化疗前肿瘤体积、新辅助化疗后肿瘤体积、病理学残留病灶瘤床面积以及病理学细胞密度具有中度或强相关性( )(补充图2)。
对集成模型权重的分析显示,预测性能的大部分贡献来自临床-影像学模型和VQED。nnU-Net和Attention U-Net对集成模型结果没有影响(表4)。
各卷积神经网络之间所使用的特征激活数量存在重大差异。最简约的模型是VQED,仅使用57个深度特征浓缩为21个主成分用于肿瘤反应建模。相比之下,Attention U-Net需要超过一万个特征,产生78个主成分(表5)。
Kruskal–Wallis检验表明,所有分类变量(BI-RADS描述符和亚型)均与至少一个深度特征相关。对于每个神经网络,我们选择了分类变量之间最强的五个关系。如果一个变量与多个深度特征相关,仅追踪最强的关联。该探索性分析揭示了深度特征的分布在肿瘤亚型、肿瘤形状/强化以及水肿存在之间有所差异(补充图3)。
讨论
我们研究了深度放射组学相较于标准临床-影像学参数“肿瘤体积”和“亚型”在评估局部晚期乳腺癌对新辅助化疗(NAC)反应方面的附加价值。我们比较了从三种不同分割卷积神经网络(CNN)中提取的深度特征的表现,并检验了它们彼此之间以及与临床-影像学参数之间是否具有互补性。我们观察到,三种网络与临床-影像学参考参数的表现始终相似:深度放射组学模型预测病理完全缓解(pCR)的AUC在0.68至0.74之间,预测残余肿瘤负荷(RCB)的AUC在0.68至0.79之间,而仅使用肿瘤体积的模型预测pCR和RCB的AUC分别为0.74和0.70。将深度放射组学模型与临床-影像学模型联合并未带来任何改善。相似的表现和缺乏互补获益提示,这些网络以不同的表示形式蕴含了相似的信息。值得注意的是,若干深度特征被发现与已知的临床参数和乳腺影像报告和数据系统(BI-RADS)描述词相关,提示它们捕捉到了当前临床实践中使用的信息。
我们比较了三种基于分割的神经网络架构,包括广泛使用的nnU-Net、注意力U-Net以及VQED(一种自编码器方法)。利用基于分割的网络,可以重复使用先前训练好的网络进行特征提取,而无需额外的标注数据。通过从粗分辨率瓶颈层提取特征激活向量,肿瘤区域和瘤周区域均被纳入考虑。为评估泛化性能和稳健性,我们在一个独立的、按时间顺序分离的测试集上测试了我们的方法。该测试集完全由来自不同中心、使用不同磁共振成像(MRI)设备的连续纳入患者组成。过去十年中,乳腺癌的新辅助化疗也经历了重大发展[29]。例如,在测试队列中,61%的患者接受了以卡铂为基础的方案,而在训练集中这一比例仅为2%。因此,我们评估了随时间推移的泛化性能,考虑了因指南和治疗变化而导致的患者人群变化。
已有多种研究基于乳腺MRI,利用影像组学和/或深度学习,以预测或分类肿瘤对新辅助化疗(NAC)的反应为目标。其中许多研究的一个未解问题是,其性能在训练集之外如何泛化。Ha等人在NAC开始前使用深度学习预测完全缓解者和部分缓解者,报告使用VGG-16网络进行三分类预测的AUC为0.98 [30]。训练和验证均在单机构数据上进行。Choudhery等人评估了传统影像组学与NAC反应之间的关系,同时研究了pCR和RCB [31]。他们发现若干特征与RCB指数相关,并开发了一个多变量模型来预测三阴性乳腺癌患者的pCR(AUC = 0.81)。他们的方法需要对最大肿瘤直径最大的轴位层面进行手动肿瘤分割。虽然他们按亚型进行了分析,但仅使用了单机构数据,并承认需要在外部数据上验证。Liu等人使用SAGS-net在两个公开可用数据集中预测pCR,分别在两个数据集上实现了0.93的交叉验证AUC。未进行在一个数据集上训练并在另一个数据集上测试的模型泛化性能评估 [32]。Granzier等人使用传统影像组学预测pCR,但报告当将模型应用于不同机构的数据时性能较差(AUC = 0.50–0.55),表明泛化能力差 [11]。最后,Li等人在大型多中心I-SPY2队列中使用三个肿瘤相关特征以及乳腺实质强化来预测pCR,报告预测pCR的AUC为0.81(95% CI:0.76–0.86)[33]。未进行按研究站点进行的留出验证,且该方法不适用于表现为影像学完全缓解的病例。在本研究中,我们使用多机构、多厂商且按时间分离的数据集广泛评估了泛化性,并将pCR和RCB类别均作为反应终点。我们未观察到临床-影像学模型与深度影像组学模型在泛化性方面存在任何差异。
本研究存在若干局限性。第一,测试集样本量有限,无法对不同神经网络之间或不同亚型之间的性能差异进行有意义的分析。在更大队列中进行验证可提供更高的统计效能,并允许在亚型层面进行有意义的分析。尽管我们遵循了最佳实践以尽量降低过拟合风险,例如对分割卷积神经网络(CNN)使用数据增强以及采用降维方法,但过拟合风险仍无法完全消除。目前认为以一致的方式同时增强MRI和RCB不可行,因为二者之间的相互作用尚不清楚。尽管我们未能证明深度特征与标准临床预测因子相比在性能上存在显著差异——仅观察到AUC的微小差异且置信区间高度重叠——但我们不能排除在更大样本量下更细微的差异会变得明显。第二,各队列的纳入标准略有不同:测试集排除了Luminal A型乳腺癌,而其中部分病例被纳入训练队列。已知Luminal A型对化疗反应较差,这可能影响了疗效预测[34]。以治愈为目的治疗的寡转移性疾病也未纳入测试集。第三,本研究仅考虑了来自瓶颈层的分割衍生深度特征。直接针对RCB预测任务训练的神经网络可能包含更具信息量的特征,并可能改善RCB预测性能。这需要不同的训练方法,且无法复用预训练网络。我们方法的一个优势在于,它确实允许复用预训练网络,并可重新定位至不同的生物标志物或预测因子,而无需耗时地重新训练CNN。
本工作的创新之处和潜在优势在于,在研究样本量相对较小时,利用图像分割网络来借助高维神经网络。例如,在当前研究中,MRI及相应RCB评分的数据相对稀缺。所报道的方法允许使用已具备分割结果的回顾性数据集。基础模型采用了类似的概念,这些模型在极大规模数据集上进行训练[35]。随后,这些模型生成的嵌入被用于下游任务,如分割、分类或文本生成。我们的方法与之类似,不同之处在于嵌入是从分割网络的瓶颈层提取的,因此所需的训练数据从根本上少于基础模型。因此,它适用于较小的数据集,所需计算量更少,并可利用已有的大量预训练分割网络库。我们方法的另一个优势是,在无法进行可靠肿瘤大小测量时(例如背景实质增强较高的病例),或无法可靠确定亚型时(例如活检未能准确采样所有存在的亚型的病例),它可以提供补充信息。它还不依赖观察者,从而减少了放射科医生之间潜在的观察者间变异。
基于我们的发现,我们提出以下未来研究方向。第一,在更大队列上进行训练和验证,尽管目前磁共振成像(MRI)与残余肿瘤负荷(RCB)的同期可用数据较为稀少。这将允许对性能进行更详细的分析,例如按亚型分析。第二,使用基于影像直接预测RCB的方法,而无需中间的分割步骤,具有相当大的研究价值。这也将需要更大的数据集,因为影像与RCB数据联合的数据增强被认为具有挑战性。第三,我们仅研究了从瓶颈层提取的深度特征的使用。虽然我们认为瓶颈层是最简约的层,但将其与从中间层提取的深度特征相结合,可能有助于更详细地表征肿瘤特征。最后,我们仅研究了深度影像组学在预测乳腺癌患者新辅助化疗(NAC)反应中的应用。将该方法应用于不同的临床问题,可进一步了解深度特征跨领域的泛化性能。
结论
本研究表明,从常用分割网络提取的深度影像组学,在推断NAC后pCR和RCB方面,包含与肿瘤体积和亚型相似的信息。我们未能证明深度影像组学可以补充或改善这些标准临床特征。在独立测试集中,深度影像组学特征的泛化性能与标准临床参数相似,但始终未能优于临床参数,也未能在LIMA试验中提供实质性的补充信息。
补充信息
电子补充材料
引用
- Janse MHA, Janssen LM, Wolters-van der Ben EJM, et al. Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial. Eur Radiol. 2025. PMID: 40770139. doi:10.1007/s00330-025-11801-z
- 全文:PMC12953280(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12953280/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。