头癌多机构预后建模:深度学习和放射学对深度学习和放射学影响和概括性的评估
Michal Kazmierski1,2, Mattea Welch1,2,3, Sejin Kim1,2
1Department of Medical Biophysics, University of Toronto, Toronto, Ontario, Canada.
Cancer research communications
|July 3, 2023
概括
使用电子医疗记录和瘤成像的机器学习模型显示,预测头癌生存率具有前途. 然而,外部验证显示性能下降,强调需要多样化的数据集和强大的框架.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 个性化医学和有针对性的临床试验越来越依赖于人工智能 (AI) 和机器学习 (ML).
- 整合各种数据,包括电子病历 (EMR) 和放射学,为预后模型开发提供了机遇和挑战.
- 在不同的数据集中验证预后模型至关重要,但由于患者群体和建模策略的变化而复杂.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测头癌 (HNC) 的总生存率.
- 评估放射学和电子病历 (EMR) 数据在预测HNC预后方面的贡献.
- 通过对独立患者队列的外部验证,评估开发的ML模型的通用性.
主要方法:
- 来自单一机构的2,552名头癌 (HNC) 患者的回顾性数据集被用于众包ML模型开发.
- 模型使用电子医疗记录 (EMR) 和预治疗放射图像,比较了12种不同的方法,包括多任务学习.
- 对三个独立的患者队列 (873名患者) 进行了外部验证,以评估模型性能和通用性.
主要成果:
- 结合临床数据和瘤体积的多任务学习模型实现了对2年和终身存活的最高预后准确性.
- 这种高性能模型的表现优于仅使用临床数据,工程放射学或复杂深度神经网络的模型.
- 当将最佳模型扩展到外部数据集时,观察到显著的性能下降,这表明普遍性存在挑战.
结论:
- 集成EMR和放射性数据的机器学习模型可以实现头癌存活率的高预后准确性.
- 结合临床数据和瘤体积的多任务学习在本研究中表现出卓越的表现.
- 外部验证强调了对多样化的数据集和强大的验证框架的关键需求,以确保跨机构的AI/ML模型实用性.
