通过深度学习扩散MRI预测治疗性手术后非小细胞肺癌的生存率
Jung Won Moon1, Ehwa Yang2, Jae-Hun Kim2
1Department of Radiology, Kangnam Sacred Heart Hospital, Hallym University School of Medicine, Seoul 07441, Republic of Korea.
Diagnostics (Basel, Switzerland)
|August 12, 2023
概括
使用扩散加权成像 (DWI) 和明显扩散系数 (ADC) 地图的深度学习模型显示,预测非小细胞肺癌存活率具有前景. 结合DWI和ADC数据可以显著提高预测准确度,而不是单独使用DWI.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的生存预测对于非小细胞肺癌 (NSCLC) 患者管理至关重要.
- 扩散权重成像 (DWI) 提供了对组织微观结构的洞察,可能有助于预后.
- 深度学习提供了一种新的方法来分析复杂的成像数据用于预测建模.
研究的目的:
- 评估深度学习生存模型在NSCLC患者中使用扩散权重图像 (DWI) 的预测能力.
- 为了比较使用DWI和明显扩散系数 (ADC) 参数的各种组合模型的性能.
- 在生存预测模型中评估人口特征的附加值.
主要方法:
- 一个基于预先训练的VGG-16网络的深度学习生存模型,为100名NSCLC患者开发.
- 输入数据包括手术前DWI (b值0,100,700秒/mm2) 和衍生ADC地图 (ADC0-100,ADC100-700,ADC0-100-700),以及人口统计特征.
- 用10倍交叉验证评估模型性能,比较预测5年生存时间的准确性和AUC.
主要成果:
- 使用DWI0,ADC0-100和ADC0-100-700的组合实现了最佳预测性能,获得了92%的准确性和0.904.00的AUC.
- 结合ADC参数的模型显著优于仅使用DWI的模型 (p < 0.05).
- 虽然人口特征改善了单独使用DWI的模型,但它们的影响在添加到DWI和ADC模型中时不那么突出.
结论:
- 深度学习有可能改善肺癌患者的生存预测.
- 整合来自DWI的明显扩散系数 (ADC) 参数,与仅使用DWI数据相比,可以提高模型性能.
- 该研究强调了功能成像参数在深度学习中对瘤预后的价值.
