在晚期胰腺癌中,深度学习衍生的身体组成的预后价值 - - 一项回顾性多中心研究

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:

• 失智症显著影响胰腺癌的预后,但在治疗规划中未得到充分利用.
• 对于晚期胰腺管腺癌 (PDAC) 缺乏包括肉类和骨髓病在内的身体组成分析的常规整合.

研究的目的:

• 为了研究萨尔科佩尼亚和肌肉骨病的预后价值,自动从晚期PDAC患者的常规CT扫描中提取出来.
• 评估这些身体成分标记与整体生存率和实验室值的关联.

主要方法:

• 在德国三个癌症中心对601名PDAC患者的CT扫描进行了回顾性分析.
• 应用深度学习方法来量化sarcopenia (腹部肌肉与骨的比率-MBR) 和骨髓炎 (肌肉内/肌肉内脂肪与肌肉体积的比率).
• 单变量和多变量生存分析,以及与实验室值相关的线性回归 (白蛋白,C反应蛋白,血红蛋白,总蛋白).

主要成果:

• 在单变量和多变量分析中,深度学习衍生的MBR和骨髓炎与整体存活 (OS) 有显著的关联,独立于临床因素.
• MBR和骨髓炎与治疗开始后的白蛋白和C-反应蛋白水平有显著的相关性.
• 此外,MBR还显示出与血红蛋白和总蛋白质水平的相关性.

结论:

• 深度学习使得从常规CT扫描中自动,跨中心评估肉症和骨髓炎.
• 这些自动化体质成分标记物具有预后价值,与PDAC患者的炎症,贫血和蛋白质水平相关.
• 自动化身体成分分析为个性化癌症治疗策略提供了潜力.