头癌治疗结果预测:机器学习与传统放射学特征之间的比较和深度学习放射学
Bao Ngoc Huynh1, Aurora Rosvoll Groendahl1, Oliver Tomic1
1Faculty of Science and Technology, Norwegian University of Life Sciences, Ås, Norway.
Frontiers in medicine
|September 15, 2023
概括
使用FDG PET/CT图像的深度学习放射学表明,它有望预测头癌的生存率. 将成像与临床数据相结合,可以提高针对个性化治疗策略的深度学习模型性能.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 放射学从医学图像中提取特征,用于预测癌症治疗结果.
- 传统的放射学使用预定义的感兴趣区域 (ROI),而深度学习放射学可以直接使用卷积神经网络 (CNN) 的图像.
研究的目的:
- 评估常规和深度学习放射学,以预测头部和部状细胞癌 (HNSCC) 的整体存活率 (OS) 和无病存活率 (DFS).
- 为了评估预测性能,使用预处理18F-氧葡萄糖正子发射断层扫描 (FDG PET) 和计算机断层扫描 (CT) 图像.
主要方法:
- 追溯收集FDG PET/CT图像和临床数据从HNSCC患者治疗放射性化学疗法.
- 使用临床/放射学特征的模型与在图像上训练有素的CNN相比,使用或不使用总瘤体积 (GTV) 的模型进行比较.
- 外部验证使用来自不同机构的数据来评估跨机构的通用性.
主要成果:
- 直接在图像上训练的CNN在OS和DFS预测方面表现出对外部数据的卓越性能.
- 结合临床和放射学特征进一步提高了基于图像的深度学习模型的性能.
- 在临床/放射学数据上的特征选择导致了过拟合和降低了概括性,而没有轮的CNN的表现与有轮的CNN相似.
结论:
- 将临床数据,放射学特征和医疗图像与深度学习模型相结合,可以实现高性能和跨机构通用性.
- 在没有轮的图像上训练的深度学习模型提供了竞争性性能,并有可能作为高风险HNSCC患者的初始查工具.
