基于多相增强CT的深度学习签名用于膀癌复发预测:一个多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 准确的膀癌 (BCa) 复发风险分层对于个性化治疗至关重要.
• 在BCa患者中术后复发预测需要强大的模型.
• 三相增强CT图像为风险评估提供了潜力.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于预测BCa复发风险.
• 评估DL模型的性能与现有方法相比.
• 评估DL模型预测无复发生存率 (RFS) 和整体生存率 (OS) 的能力.

主要方法:

• 在四个中心招募了874名BCa患者.
• 训练基于卷积神经网络的DL模型,使用3相增强CT图像.
• 构建DL签名和深度学习放射临床签名用于风险预测.

主要成果:

• DL签名在验证集中显示出强大的复发预测能力 (一致性指数:0.869;AUC:0.889).
• 在预测复发方面,DL签名优于其他模型和分阶段系统.
• 根据DL签名分层,计算了高风险和低风险组的累积复发风险率.

结论:

• 开发的DL签名显示了作为预测术后BCa复发的临床工具的重大潜力.
• DL签名可以有效地分层RFS和OS风险.
• 这个模型可以为膀癌患者指导个性化精确治疗.