基于深度学习MRI的综合放射性模型用于子宫内膜腺癌的术前风险分类
Jin Yang1, Yuying Cao1, Fangzhu Zhou1
1Clinical School of Obstetrics and Gynecology Center, Tianjin Medical University, Tianjin, China.
Frontiers in oncology
|November 1, 2023
概括
这项研究开发了一种基于MRI的放射性诺米克图,用于在手术前分类子宫内膜癌风险. 该模型准确区分低风险和高风险患者,有助于个性化治疗规划.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 子宫内膜癌 (EC) 风险分层影响治疗决策,包括淋巴结解剖.
- 准确评估诸如瘤等级,肌肉膜侵袭 (MDI) 和淋巴血管空间侵袭 (LVSI) 等因素往往会被推迟到手术后.
- 目前的指导方针 (ESMO,ESTRO,ESGO) 基于术后病理发现进行风险分类.
研究的目的:
- 开发一种术前方法,用于对子宫内膜内腺癌的风险分类.
- 根据手术前风险评估,制定个性化的治疗计划.
- 在MRI上利用放射学和深度学习来改善手术前风险分层.
主要方法:
- 从168名患有子宫内膜内腺癌的患者的临床数据和术前盆腔MRI的回顾性收集.
- 从MRI扫描中提取传统的放射学和深度学习图像特征 (T1WI,T2WI,DWI).
- 构建一个放射学名图,整合临床信息,放射学和深度学习功能,以区分低风险患者和高风险患者.
主要成果:
- 放射学名图在训练组中实现了0.923的AUC,在验证组中达到0.842.
- 与传统的放射学和深度学习模型相比,开发的名图表显示出优异的预测性能.
- 该模型在术前有效地区分了低风险和高风险的子宫内膜癌患者.
结论:
- 基于MRI的放射学模型为子宫内膜腺癌的术前风险分类提供了宝贵的工具.
- 这种方法有助于更早,更准确地进行风险评估,从而有可能优化治疗策略.
- 综合多种数据类型的放射学名录显示出增强EC管理中的临床决策的前景.
