基于PET/CT的深度学习特征和代谢瘤体积,用于构建非小细胞肺癌的风险分层

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:

• 非小细胞肺癌 (NSCLC) 的分期依赖于TNM,但需要改进的预后工具.
• 来自PET/CT的全身代谢瘤体积 (MTVwb) 提供了预后信息.
• 深度学习模型可以从医学成像中提取复杂的特征.

研究的目的:

• 为NSCLC开发一个综合风险分层 (CRS) 模型.
• 整合基于PET/CT的深度学习功能和MTVwb以改善生存预测.
• 评估CRS模型与传统的TNM分期对整体生存 (OS) 和无进展生存 (PFS) 的评估.

主要方法:

• 招募了590名NSCLC患者 (413名培训,177名测试).
• 卷积神经网络提取了成像特征.
• 使用选定的功能和MTVwb构建了CRS,然后与TNM分期进行了比较.

主要成果:

• 在多变量分析中,CRS独立预测了OS和PFS.
• 与TNM分期相比,CRS在两组和训练组中的OS中显示出更好的预测准确性 (C指数).
• 结合CRS和TNM分期的诺摩图表获得了最高的性能 (C指数=0.741训练,0.771测试).

结论:

• 该CRS模型增强了TNM对NSCLC的分期的预测能力.
• 这种由人工智能驱动的方法显示出作为NSCLC管理中临床决策的有价值工具的潜力.