强大的基于深度学习的PET预后成像生物标志物用于DLBCL患者:一个多中心研究.

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) 是一种侵略性的非霍奇金淋巴瘤.
• 准确的预后标记对于指导DLBCL治疗决策至关重要.
• 目前的预后模型可能无法完全捕捉DLBCL患者结果的复杂性.

研究的目的:

• 开发和验证来自PET扫描的预后成像生物标志物,以预测DLBCL患者的存活率.
• 利用深度学习技术来准确预测生存率.
• 评估包含这些生物标志物的多参数模型的性能.

主要方法:

• 来自三个医疗中心的684名DLBCL患者的回顾性研究.
• 在PET图像上使用VGG19和DenseNet121卷积神经网络生成深度学习分数 (DLS).
• 使用考克斯比例危险模型,校准曲线,C指数和DCA的多参数模型的开发和评估.

主要成果:

• DLS与无进展生存期 (PFS) 和整体生存期 (OS) 有显著的关联.
• 结合DLS的多参数模型在训练队列中显示出优异的PFS (C指数:0.866) 和OS (C指数:0.835) 预测.
• 外部验证证实了可靠的模型性能,PFS的C指数为0.760-0.770,OS的C指数为0.748-0.766.

结论:

• 深度学习衍生得分 (DLS) 是DLBCL患者存活率的强大的预后成像生物标志物.
• 开发的多参数模型准确地根据生存风险对患者进行了分层.
• 这些模型有望改善DLBCL管理中的临床决策.