深度学习模型预测放射性肺炎使用预治疗胸部计算机断层扫描和临床因素

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算生物学和生物信息学

背景情况:

• 放射治疗是肺癌的关键治疗方法,但放射性肺炎是一个显著的限制性副作用.
• 预测辐射肺炎的现有模型缺乏可靠性,需要开发更准确的预测工具.
• 精确预测辐射肺炎对于优化治疗计划和改善患者的治疗结果至关重要.

研究的目的:

• 开发和评估一个全面的深度学习模型 (MergeNet),用于预测辐射肺炎.
• 整合各种数据来源,包括胸部计算机断层扫描 (CT),临床,剂量计和实验室数据,以提高预测准确度.
• 为了比较MergeNet的性能与传统的机器学习模型,如支持向量机 (SVM) 和光梯度增强机 (LGBM).

主要方法:

• 在2010年至2021年期间治疗的548名肺癌患者的回顾性分析.
• 开发MergeNet,这是一个深度学习模型,结合了卷积神经网络和完全连接的层来处理3DCT,临床,剂量测量和实验室数据.
• 使用3D Resnet-10架构和4倍交叉验证实现和比较SVM,LGBM和仅卷积的神经网络.

主要成果:

• 合并网实现了0.689的接收器运行特征曲线 (AUC) 下的面积,超过了SVM (0.525),LGBM (0.541) 和仅卷积网络 (0.550).
• 统计分析 (DeLong测试) 证实了 MergeNet 对 SVM 和 LGBM 的显著优势 (P < .001).
• 这些发现表明,整合多种数据类型可以提高辐射肺炎的预测能力.

结论:

• 与现有模型相比,MergeNet模型通过整合多式联络数据,在预测辐射肺炎方面表现优越.
• 尽管性能有所提高,但MergeNet的预测准确性需要在临床实施之前进一步提高.
• 这项研究突出了深度学习和多式联运数据集成在推进辐射肺炎预测方面的潜力.