一种使用FDG PET的人工智能方法,用于预测扩散大B细胞淋巴瘤患者的治疗结果
Maria C Ferrández1,2, Sandeep S V Golla3,4, Jakoba J Eertink4,5
1Cancer Center Amsterdam, Department of Radiology and Nuclear Medicine, Amsterdam UMC, Vrije Universiteit Amsterdam, Amsterdam UMC, Amsterdam, The Netherlands. m.c.ferrandezferrandez@amsterdamumc.nl.
Scientific reports
|August 12, 2023
概括
使用18F-FDG PET扫描的卷积神经网络 (CNN) 可以预测扩散大B细胞淋巴瘤 (DLBCL) 的治疗结果. 这种人工智能模型在预测时间到进展方面超过了标准的国际预测指数 (IPI).
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 治疗反应预测对于患者的治疗结果至关重要.
- 国际预测指数 (IPI) 是一种标准的临床工具,但其预测准确性可能有限.
- 光二氧化葡萄糖 (F-FDG) 定子发射断层扫描 (PET) 扫描提供了宝贵的代谢信息.
研究的目的:
- 调查使用卷积神经网络 (CNN) 与F-FDG PET最大强度投影 (MIP) 图像用于预测DLBCL中的时间到进展 (TTP) 的可行性.
- 将CNN模型的预测性能与已建立的国际预测指数 (IPI) 进行比较.
主要方法:
- 在HOVON-84试验中使用296名DLBCL患者的F-FDG PET/CT MIP图像进行了CNN模型的开发.
- 该模型的性能在340名DLBCL患者的外部数据集上得到验证.
- 通过冠状和形MIP进行了交叉验证;评估了与瘤体积和瘤切除后概率的关联.
主要成果:
- 根据CNN模型,预测2年TTP的曲线下的面积 (AUC) 为0.74,超过了基于IPI的模型 (AUC = 0.68).
- 在合成去除PET图像中的瘤后,CNN的高预测概率显著下降.
- 该模型证明了预测DLBCL治疗结果的能力.
结论:
- 基于最大强度预测 (MIP) 的CNN显示为预测DLBCL治疗结果的工具.
- 与像IPI这样的传统方法相比,这种AI方法可能会提供更好的预后准确性.
- 进一步验证和整合到临床实践中可以提高DLBCL患者的个性化治疗策略.
更多相关视频
10:48PET and MRI Guided Irradiation of a Glioblastoma Rat Model Using a Micro-irradiator
Published on: December 28, 2017
9.5K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K