SRTRP-Net:一个多任务学习网络,用于对大脑转移中的立体射线手术治疗反应的细分和预测

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在大脑转移 (BM) 中预测立体射线手术 (SRS) 反应对于个性化治疗和避免遗传损伤至关重要.
• 目前的方法在预测BM患者治疗结果方面缺乏足够的准确性.

研究的目的:

• 开发一种新的多任务学习模型,SRTRP-Net,用于预测BM中SRS治疗反应.
• 提供有关BM感兴趣区域 (ROI) 的预先知识,并增强个性化治疗策略.

主要方法:

• 开发了SRTRP-Net,集成了一个双编码器瘤细分网络 (DTS-Net) 和一个SRS响应预测网络 (SRP-Net).
• DTS-Net使用并行编码器,对称视觉差异块 (SVDB) 和转换器进行多模态MRI细分.
• SRP-Net采用共享的MRI功能,签名距离地图 (SDM) 和带有临床文本数据的双向多维功能融合模块 (BMDF).

主要成果:

• 在内部和外部临床数据集上,SRTRP-Net表现出与内部和外部临床数据集相似或更高的性能.
• 该模型有效地对BMROI进行细分,并预测SRS治疗反应.
• 多模态MRI和临床文本数据的整合提高了预测准确度.

结论:

• SRTRP-Net为临床医生提供了一个有前途的工具,为BM患者开发个性化治疗方案.
• 准确预测SRS反应可以提高患者的生存率和治疗疗效.
• 该模型能够整合多种数据源的能力提高了其临床实用性.