开发和验证一个基于图像的自动化深度学习平台,用于评估头部和部癌症的萨尔科佩尼亚
Zezhong Ye1,2, Anurag Saraf1,2, Yashwanth Ravipati1,2
1Artificial Intelligence in Medicine Program, Mass General Brigham, Harvard Medical School, Boston, Massachusetts.
JAMA network open
|August 10, 2023
概括
一个自动化的深度学习工具准确地测量了头癌患者的肉症,将其与生存和治疗毒性联系起来. 这项技术可以帮助头部和部状细胞癌 (HNSCC) 患者的临床决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 萨科佩尼亚是头部和部状细胞癌 (HNSCC) 的关键预后因素.
- 手动的骨肌指数 (SMI) 计算是耗时且可变的.
- 需要自动化方法来有效和可靠地评估肉症.
研究的目的:
- 开发和验证用于宫骨肌肉细分的自动化深度学习平台.
- 使用这个自动化平台计算骨肌肉指数 (SMI).
- 在HNSCC患者中评估缩症与生存和治疗毒性的关联.
主要方法:
- 开发了一个深度学习模型,使用899名HNSCC患者的CT扫描.
- 对HNSCC患者的单独队列进行了外部验证.
- 模型的准确性是使用Dice相似系数和与手动测量的比较来评估的.
主要成果:
- 自动化的深度学习平台在细分宫骨肌肉方面取得了高准确性 (子分数为0.90).
- 自动SMI测量与手动注释有很强的相关性 (Pearson r=0.99).
- 通过自动化SMI识别的肉类,与更糟糕的整体存活率和更长的输卵管持续时间有关.
结论:
- 一个完全自动化的深度学习管道准确地量化了HNSCC患者的肉症.
- 这种经过验证的工具可以将肉症评估纳入临床实践.
- 自动 Sarcopenia 评估可能会改善 HNSCC 的临床决策和患者结果.
