组织代谢组的深度表示学习和计算机断层扫描注释NSCLC分类和预后

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 组织代谢学提供了对瘤生理学的见解,但需要侵入性,昂贵的活检.
• 计算机断层扫描 (CT) 是标准的护理,但缺乏固有的组织学或预后信息.
• 在临床应用中将新陈代谢数据与CT整合在一起仍然是一个尚未探索的领域.

研究的目的:

• 开发一个深度学习框架 (TMR-CT) 来从CT扫描中推断组织代谢物信息.
• 评估TMR-CT在非小细胞肺癌 (NSCLC) 组织学非侵入性分类和预测患者预后方面的有效性.
• 探索新型CT衍生特征的生成,将代谢概况与成像数据联系起来.

主要方法:

• 通过将CT图像与组织代谢物强度相结合,开发了一个深度学习框架TMR-CT.
• 该模型生成了图像嵌入,仅从CT数据推断出代谢物衍生表示.
• 该框架在742名NSCLC患者的国际数据集上进行了验证,用于组织学分类和预后任务.

主要成果:

• TMR-CT准确地分类了NSCLC组织类型 (腺癌/状细胞癌),F1得分为0.78.
• 该模型预测了患者的预后,其c指数为0.72.
• 在这些任务中,TMR-CT的表现优于传统的放射学和单模深度学习CT模型.

结论:

• TMR-CT提供了一种非侵入性方法,可以从NSCLC的CT扫描中提取有价值的代谢信息.
• 该框架通过整合成像和代谢数据来增强诊断能力,改善组织学分类和预后.
• TMR-CT 证明了在临床研究中产生新的,以生物学为灵感的成像特性的潜力.