局部晚期年前列腺癌（LABC）常会采用新近辅助治疗（NAC）。NAC可以在手术后年前安全性地缩小表面积，可为原来归因于手术后希望的患者重新近获得手术后切除的希望。
本科学研究旨在开发计划并证明一种基于病人年前后超声检查的最深处学习辐射线诺模上图（DLRN），用于术年前指标NAC后年前列腺癌的流行病学完全缓解（pCR）情况。
从两家所医院招募了拟完成术年前NAC的解剖学完全一致的LABC患者（训练字段，n=356；独立外部证明字段，n=236）。合成可体现病人年前（辐射学基本特征[RS] 1）和病人后（RS2）遗传基因的最深处学习和手动辐射基本特征。最小举例来说最大相关演算法和最小绝对收缩与选择映射回归用于基本特征选择和RS构造。
不同框架的展现对比
DLRN可直观地判定pCR长时间，在证明字段里，接收者操作基本特征曲线下的面积为0.94（95％CI 0.91-0.97），且校准很好。在两个字段里，DLRN展现均优于诊断框架和单一RS（p<0.05），还优于两位专家对pCR的预测（p<0.01）。
该框架在不同亚型年前列腺癌里的展现
此外，该框架在外部证明字段血清素受体HIV/人上皮生长因子受体2（HER2）有性、HER2+和三有性亚组年前列腺癌患者里的也获取了很好的指标识别展现，互换的AUC都为0.90、0.95和0.93。决策曲线数据分析证实该框架对诊断有效率。
综上，这个基因新近辅助病人年前后超声影像的最深处学习诺模上图可直观的指标LABC患者NAC后的pCR情况，为个体化病人获取接收者。
原始记事：
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.
相关新闻
相关问答
