淋巴結轉移的存在在治療計劃中起著至關重要的作用，特別是關于手術和放射的范圍。因此，區分具有淋巴結轉移的患者和沒有淋巴結轉移的患者具有很高的臨床相關性。
該研究的作者迦娜·莫拉維茨博士說，他是德國杜塞爾多夫大學醫院診斷和介入放射學研究所的放射住院醫師：“60%的患者在乳腺癌的初始診斷時沒有淋巴結轉移，因此，希望能夠通過高度確定性的成像來證明陰性淋巴結狀態，以免除這些患者的活檢或手術的侵入性程序。”
在這項研究中，研究人員試圖確定機器學習預測模型是否可以像有經驗的放射科醫生一樣準確地確定PET/MRI檢查中的淋巴結狀態。來自三個醫學中心的總共303名原發性乳腺癌患者被招募用于該研究，并被分成訓練組樣本和測試組樣本。
所有患者都進行了磁共振成像和全身18F-FDG PET/磁共振成像。基于結構和功能特征，對影像數據集進行腋窩淋巴結轉移評估?；贛RI和PET/MRI訓練組樣本開發機器學習模型，然后應用于測試組樣本。
對于放射科醫生和機器學習算法來說，MRI的診斷準確率為87.5%。對于PET/MRI，放射科醫生的準確率為89.3%，機器學習的準確率為91.2%。在調整PET/MRI的機器學習模型后，靈敏度達到96.2%，特異性達到68.2%。
Morawitz指出：“根據從MRI和PET/MRI掃描中收集的信息，可以制作決策樹來幫助放射科醫生——特別是年輕的放射科醫生——確定是否需要進行前哨淋巴結活檢，將這種模式結合到日常實踐中，有可能在未來取代前哨淋巴結活檢。"
圖形摘要:新診斷的乳腺癌患者接受PET/MRI掃描以研究腋窩淋巴結受累情況。然后，放射科醫師根據易于評估的形態學和代謝性淋巴結標準，評估是否存在淋巴結受累(淋巴結陽性對淋巴結陰性)。基于這些數據，訓練隨機森林模型。因此，確定了與淋巴結狀態評估相關的最重要的淋巴結標準。通過調整閾值，現在可以通過隨機森林的方式增加靈敏度，使得68.2%的患者可以省去腋窩活檢。
