放射性肺炎预测模型用于食道癌患者的放射治疗
Liming Sheng1, Lei Zhuang2, Jing Yang1
1Zhejiang Key Laboratory of Radiation Oncology, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, 310022, China.
BMC cancer
|October 17, 2023
概括
一个新的深度学习模型,HybridNet,准确地预测放射性肺炎 (RP) 在食道癌患者治疗放射治疗. 通过整合剂量分配和临床特征,HybridNet为放射治疗反应提供了改进的临床决策.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 深度学习模型在预测放射治疗中的肺毒性方面表现有前途.
- 将临床特征集成到深度学习中,以预测放射治疗反应仍然未得到充分探索.
研究的目的:
- 评估3D剂量分布和临床特征在预测辐射肺炎 (RP) 中的作用.
- 开发和验证一种新的混合深度学习网络 (HybridNet),用于预测食道癌患者的RP发病率.
主要方法:
- 开发了一个混合深度学习网络 (HybridNet),结合了3D ResNet18和1D卷积层.
- 作为输入,使用了三维剂量分布和15个正常化的临床因素.
- 性能与使用十倍交叉验证,精度和AUC的机器学习模型进行了比较.
主要成果:
- 在综合剂量和临床因素时,HybridNet实现了优异的预测性能 (准确度:0.85 ± 0.13,AUC:0.91 ± 0.09).
- 基于深度学习的ResNet模型仅使用剂量因子表现良好 (准确度:0.78 ± 0.05,AUC:0.82 ± 0.25).
- 混合网络的准确性明显高于ResNet (p=0.009).
结论:
- 拟议的HybridNet模型准确地预测了食道癌患者在放射治疗后的RP.
- 混合网络显示出作为放射治疗临床决策的有价值工具的潜力.
- 将剂量分配信息与临床特征结合起来,可以提高放射治疗反应的预测.
