整合列线图预测乳腺肿瘤HER2表达：临床、超声和光声成像方法

这是一篇关于整合列线图预测乳腺肿瘤HER2表达：临床、超声和光声成像方法的思维导图，主要内容包括：表不如图，字不如表，摘要，题目。本研究共纳入301个乳腺肿瘤，分为HER2阳性( 3 +或2 +有基因扩增)和HER2阴性(低于3 +和2 +无基因扩增)两组。

整合列线图预测乳腺肿瘤HER2表达：临床、超声和光声成像方法

• 题目
  • Integrated nomogram topredict HER2 expression inbreast tumor: Clinical, Ultrasound, andPhotoacoustic imaging approaches
• 摘要
  • 背景/目的
    • HER2是乳腺癌治疗和预后的关键生物标志物
    • 传统的评估方法如免疫组织化学( IHC )和荧光原位杂交( FISH )是有效的，但成本高、耗时长
    • 模型结合了这些方法和光声成像，以提高诊断的准确性，并提供更全面的临床见解
  • 方法
    • 本研究共纳入301个乳腺肿瘤，分为HER2阳性( 3 +或2 +有基因扩增)和HER2阴性(低于3 +和2 +无基因扩增)两组
    • 以7：3的比例将样本分为训练集和验证集
    • 统计分析包括t检验、卡方检验和秩和检验
    • 使用单变量和多变量逻辑回归确定预测因素
    • 在训练队列中，首先对预测变量进行单变量logistic回归分析
      • 将p - value小于0.2的变量纳入后续的多元回归分析
    • 建立3个模型
      • ModA (仅临床因素)
      • ModB (临床加超声因素)
      • ModC (临床、超声和光声成像衍生的血氧饱和度( SO2 )) )
  • 结果
    • ModA的AUC 为0.756，ModB增加到0.866，而ModC表现出最高的性能，AUC为0.877
    • 结果表明，结合临床、超声和光声成像数据( ModC )的综合模型在预测HER2表达方面表现最佳
  • 结论
    • 研究结果表明，整合临床、超声和光声成像数据可以显著提高预测HER2表达的准确性
    • 光声成像与传统成像和临床数据的整合为预测乳腺肿瘤中HER2状态提供了一个有价值的进展
    • 对于乳腺癌的个体化治疗，集成模型可以提供一个全面的、可重复的决策支持工具
• 字不如表
  • Table 1
    • 乳腺结节患者的基线特征
      • 阳性事件基线
  • Table 2
    • 训练集和测试集基线
  • Table 3
    • 单因素和多因素logistic回归分析诊断乳腺结节的危险因素
• 表不如图
  • Figure 1
    • 患者选择流程图
  • Figure 2
    • 预测模型的ROC和校准曲线
      • A-C分别显示了MOD1，MOD2和MOD3测试集的ROC曲线，显示了模型的判别能力
      • D给出了三种模型的校准曲线。这表明在两个队列中预测概率和观察结果之间存在很强的相关性
      • E给出了决策曲线，绘制了患者净获益与阈值概率的关系，评估了各模型的临床效用
      • F总结了ROC曲线，比较了三种模型的整体性能
  • Figure 3
    • 预测乳腺肿瘤HER2表达概率的列线图
  • Figure 4
    • 不同HER2表达的乳腺肿瘤的PA - So2图像
      • A：乳腺结节内有红色信号，提示高氧
      • B：假彩色PAUS图像显示的是红蓝信号的混合体，代表适度的氧合水平
      • C：假彩色PAUS图像显示增厚的滑膜内有蓝色信号，提示缺氧