在F-FDG PET图像中扩散大B细胞淋巴瘤的预后预测基于多深度学习模型

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 扩散性大B细胞淋巴瘤 (DLBCL) 在临床结果中表现出显著的变化,使治疗和预后复杂化.
• 医学成像中的放射性特征,特别是PET扫描,对于疾病的分类和预测越来越有价值.
• 准确的预后预测对于管理DLBCL和指导治疗决策至关重要.

研究的目的:

• 开发和验证一个灵活的集体深度学习模型,用于预测DLBCL患者的无进展生存率 (PFS) 和整体生存率 (OS).
• 调查18F-FDG PET图像中的放射性特征对DLBCL预后的有用性.
• 建立一个多参数模型,用于在DLBCL中准确地分层生存风险.

主要方法:

• 一个新的集体深度学习模型被设计用于使用18F-FDG PET图像进行预后预测.
• 该模型包含从预先训练的深度学习模型中选择的多R签名构建.
• 该模型在来自不同成像中心的两个独立数据集上进行了训练和验证.

主要成果:

• 拟议的多参数模型,整合了临床因素 (年龄,安纳堡阶段,Bulky病) 和放射性特征 (SUVmax,TMTV,多R签名),在PFS和OS预测方面表现强.
• 通过不同的融合方法,PFS预测实现了0.770和0.764的C指数.
• 在验证数据集上,OS预测实现了0.770和0.771的C指数.

结论:

• 开发的深度学习模型为DLBCL患者提供了准确的生存风险分层.
• 这种方法可以帮助早期识别具有耐火性复发高风险的DLBCL患者.
• 这些发现支持使用多参数模型来指导DLBCL的个性化治疗策略.