基于CT图像的完全自动化的3D机器学习模型,用于基于CT图像的口腔状细胞癌的HPV状况特征
Edwin Qiu1, Maryam Vejdani-Jahromi2, Artem Kaliaev3
1Boston University Chobanian & Avedisian School of Medicine, Boston, MA, United States of America.
American journal of otolaryngology
|May 4, 2024
概括
一个深度学习模型使用CT扫描准确地预测口腔癌中人类乳头瘤病毒 (HPV) 状态. 这种自动化的方法显示了与HPV相关的口腔支状细胞癌 (OPSCC) 的非侵入性临床管理的希望.
科学领域:
- 在瘤学中使用人工智能
- 医学成像分析 医学成像分析
- 头部和部癌症研究研究
背景情况:
- 人类乳头瘤病毒 (HPV) 状态是口腔状细胞癌 (OPSCC) 的关键预后因素.
- 准确的HPV状态确定对于指导治疗决策和预测患者存活率至关重要.
- 目前用于HPV状态评估的方法可能是侵入性的或耗时的.
研究的目的:
- 评估完全自动化的3D卷积神经网络 (CNN) 的性能,用于预测OPSCC患者的HPV状况.
- 评估CNN模型在直接从预治疗CT图像中描述HPV状况时的准确性.
- 探索人工智能驱动的成像分析作为HPV状况确定非侵入性工具的潜力.
主要方法:
- 使用OPSCC患者的预治疗CT图像训练了一个3DDDenseNet-121模型.
- 该模型是为了预测HPV-p16状态而开发的,这是HPV感染的替代标志物.
- 模型性能被严格评估,使用包括AUC,灵敏度,特异性,PPV,NPV和F1得分在内的指标.
主要成果:
- 3D CNN实现了ROC曲线下的平均面积 (AUC) 为0.80±0.06.
- 表现最好的模型代在Youden指数上表现出高特异性 (0.92) 和灵敏性 (0.86).
- 观察到0.97的优良正预测值 (PPV) 和0.82的F1得分,以及0.71.7的NPV.
结论:
- 一个完全自动化的3D CNN可以准确地预测高灵敏度和特异性的OPSCC患者的HPV状况.
- 这种基于人工智能的方法为HPV状态表征提供了一个有希望的非侵入性方法.
- 该算法的进一步开发可以在OPSCC的临床管理中显著帮助.
