相关实验视频
Updated: Jun 27, 2025
10:58
Quantitation of Intra-peritoneal Ovarian Cancer Metastasis
Published on: July 18, 2016
10.9K
手术前的基于CECT的多任务模型预测了晚期卵巢癌中腹膜复发和无疾病生存:一项多中心研究
Rui Yin1, Zhaoxiang Dou2, Yanyan Wang3
1National Clinical Research Center for Cancer, Key Laboratory of Cancer Prevention and Therapy, Tianjin's Clinical Research Center for Cancer, Tianjin Medical University Cancer Institute and Hospital, Tianjin 300060, China; School of Biomedical Engineering & Technology, Tianjin Medical University, Tianjin 300203, China.
Academic radiology
|May 1, 2024
概括
一种新型的深度学习模型准确地预测腹复发,并改善了晚期卵巢癌 (AOC) 中无疾病生存率 (DFS) 的预测. 这种人工智能方法有助于识别可能受益于密集治疗策略的患者.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 腹膜复发是晚期卵巢癌 (AOC) 的主要复发模式,导致预后不佳.
- 精确预测腹膜复发和无病生存期 (DFS) 对于指导AOC患者的治疗决策至关重要.
研究的目的:
- 开发和验证一个预测模型,用于腹复发和晚期卵巢癌的预后.
- 用手术前CT图像评估模型在细分和预测结果方面的准确性.
主要方法:
- 一个追溯的多机构研究,涉及515名AOC患者.
- 使用手术前CT扫描进行端到端多任务卷积神经网络 (MCNN) 的开发和测试.
- 生成一个MCNN-score来指示腹复发和DFS状态.
主要成果:
- MCNN表现出强的细分表现 (平均子系数为84.3%).
- 该模型准确地预测了训练,内部和外部测试集 (AUC范围从0.82到0.88) 的腹膜复发.
- 高的MCNN得分与较差的DFS有显著的相关性 (P < 0.0001).
结论:
- 在AOC患者中,MCNN方法在预测腹膜复发和DFS方面表现出很高的表现.
- 这种人工智能驱动的工具有可能提高患者分层和治疗晚期卵巢癌的治疗计划.
