在非小细胞肺癌中增强大脑转移预测:基于深度学习的细分和基于CT放射学的集合学习模型

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
• 医疗成像医学成像

背景情况:

• 大脑转移 (BM) 是高级非小细胞肺癌 (NSCLC) 的常见并发症.
• 准确预测BM风险对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证一个基于深度学习的模型,用于预测三年内在高级非小细胞肺癌 (NSCLC) 患者中大脑转移 (BM) 的风险.
• 评估融合模型的性能,结合计算机断层扫描 (CT) 放射学和临床特征来预测BM风险.

主要方法:

• 来自两个中心的602名高级NSCLC患者 (309名BM,293名非BM) 的回顾性研究,分为培训,内部和外部验证队列.
• 肺部瘤使用3D深度残留U-Net网络进行细分.
• 从预处理肺部CT图像中提取了1106个放射性特征,通过递归特征消除和LASSO规范化来减少维度.
• 一个极端梯度增强 (XGBoost) 分类器被用于一个集体学习模型,融合选定的放射学和临床特征.
• 卡普兰-梅尔生存分析评估了模型风险得分的预后价值,用于无BM生存 (BMFS) 和整体生存 (OS).

主要成果:

• 融合放射学临床模型实现了高预测性能,接收器操作特征曲线 (AUC) 下的面积值为0.91 ± 0.01 (训练),0.89 ± 0.02 (内部验证) 和0.85 ± 0.05 (外部验证).
• 卡普兰-梅尔生存分析证实了该模型的风险评分对NSCLC患者的无BM生存 (BMFS) 和总生存 (OS) 的显著预后价值 (P <0.05).

结论:

• 放射学和临床特征的融合显著提高了先进非小细胞肺癌 (NSCLC) 患者大脑转移 (BM) 风险的预测性能.
• 开发的放射学-临床融合模型与仅限临床特征的模型相比,显示出更高的性能.
• 该模型具有重要的预后价值,用于预测NSCLC患者的无BM生存率 (BMFS) 和总生存率 (OS),为临床决策提供了有价值的工具.