剂量结合深度合奏学习改善大脑转移 立体性放射性外科手术 结果预测
Jingtong Zhao1, Eugene Vaios1, Yuqi Wang1
1Duke University Medical Center, Durham, North Carolina.
概括
一个新的深层集体学习模型准确地预测了在立体射线外科手术 (SRS) 后的大脑转移 (BM) 局部控制. 这种方法整合了剂量图和临床数据,优于现有方法,可以改善放射治疗结果.
科学领域:
- 放射治疗和医学成像技术
- 机器学习在瘤学中的应用
- 神经瘤学神经瘤学
背景情况:
- 对局部控制的准确预测对于优化对大脑转移 (BMs) 的立体射线手术 (SRS) 至关重要.
- 当前的预测模型可能无法充分利用复杂的空间和临床数据.
- 深度学习有可能提高辐射瘤学的预测准确性.
研究的目的:
- 开发和验证一种新的深度集体学习模型,用于预测用SRS治疗的BM中局部控制结果.
- 整合空间剂量分布 (Dmap) 和临床特征,以提高预测准确度.
- 评估模型的性能与现有方法相比.
主要方法:
- 分析了来自82名患者的114个BM数据集,其中包括26名局部衰竭患者.
- 开发了一个使用四个VGG-19编码器的深层组合模型,其中包括Dmap,T1-CE MRI和PTV细分的球形投影.
- 临床特征与深度特征融合,整体结果通过后勤回归合成;模型的稳定性在10个版本中进行了测试.
主要成果:
- 拟议的深层组合模型实现了优异的AUCROC为0.89 ± 0.02,具有高灵敏度 (0.82 ± 0.05),特异性 (0.84 ± 0.11),精度 (0.84 ± 0.08).
- 这一性能显著优于单个VGG-19编码器 (AUCROC:0.64 ± 0.08),只有MRI的深层组合 (AUCROC:0.68 ± 0.06) 和没有临床特征融合的组合 (AUCROC:0.84 ± 0.03).
- 通过球体投影将Dmap和临床变量集成在一起,证明它优于仅图像或没有特征的模型.
结论:
- 一个新的深层组合模型,利用球形图像投影和结合剂量图与临床变量,在预测SRS后的BM局部失败方面表现出卓越的表现.
- 这种方法对增强放射治疗结果预测模型具有前景.
- 需要进一步评估,以确定其在放射瘤学中的临床实用性.
