このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

放射線肺炎の予測臨床情報,医療テキスト,肺がんにおける2.5Dディープラーニング機能の統合

Wenting Wang ¹, Mingcheng Ren ², Jing Ren ³

⁰Department of Radiation Oncology, The First Hospital of China Medical University, Shenyang, China.

International Journal of Radiation Oncology, Biology, Physics +

|

2025年8月22日

PubMedで要約を見る

まとめ

この研究では,臨床データ,テキストレポート,2.5Dのディープラーニング機能を使用して,肺がん患者に対する放射線性肺炎 (RP) の予測モデルを開発しました. 組み合わせられたモデルは高精度で放射線治療の副作用を予測する新しいアプローチを提供しました

科学分野

放射線学と腫瘍学
医療における人工知能
医療情報学

背景

放射線肺炎 (RP) は,肺がん患者の胸部放射線治療の一般的な副作用です.
RPの正確な予測は,治療計画と患者のアウトカムを最適化するために不可欠です.
現在の予測モデルには臨床情報や医療テキストや先進的なイメージング機能などの多様なデータソースの統合が欠けていることが多いのです

研究の目的

肺がん患者の放射線性肺炎 (RP) の新しい予測モデルを開発し,検証する.
臨床情報,コンピュータトモグラフィー (CT) レポートテキスト,および 2.5D ディープラーニング (DL) 機能を統合することで,予測の精度が向上します.
提案された2.5Dマルチインスタンス学習 (MIL) モデルのパフォーマンスを従来の2Dおよび3DDLモデルと比較する.

主な方法

356人の肺がん患者のコホートはトレーニングと検証のために使用され,外部のコホートは238人の患者で概括性をテストしました.
CT レポートのテキストをベクトル化するために,用語周波数逆のドキュメント周波数 (TF-IDF) が使用されました.
2.5Dデータは中央と隣接するCTと放射線療法の用量スライスを用いて構築され,DLの特徴はDenseNetとTwins- SVTモデルを使用して抽出され,MIL融合で統合されました.

主要な成果

2.5D MILモデルは,トレーニング,検証,テストコホート全体で,2Dおよび3DDLモデルと比較して優れたパフォーマンスを示しました.
最適なモデルはコホートによって異なるが,2.5D MILモデルはCTデータで最高のパフォーマンスを発揮し,組み合わせられたモデルはトレーニングコホートで0.964のAUCを達成した.
臨床,テキスト,2.5D DLの特徴を統合した統合予測モデルは,重要な予測能力を示した.

結論

臨床情報,医療テキスト,2.5D MILの特徴を統合した新しいRP予測モデルが成功裏に開発されました.
この統合的アプローチは放射線治療による副作用を予測し緩和する新しい戦略を提示しています
この発見は,パーソナライズされた放射線腫瘍学における高度なAI技術の可能性を強調しています.

関連する概念動画

Pneumothorax-II

Pneumothorax is a medical condition defined by the buildup of air in the pleural space between the lungs and the chest wall. This accumulation of air can lead to partial or complete lung collapse, resulting in a range of clinical manifestations. Understanding the clinical presentation and effective management strategies is crucial for healthcare professionals in providing timely and appropriate care to individuals with pneumothorax.
Clinical Manifestations:

• Pneumothorax often presents...