基于PET/CT的变压器模型用于口腔癌多结果预测
Baoqiang Ma1, Jiapan Guo2, Alessia De Biase3
1Department of Radiation Oncology, University of Groningen, University Medical Center Groningen, Groningen, the Netherlands.
概括
结合CNN和视觉变压器的TransRP模型改善了口腔癌患者的生存预测,在与临床数据相结合时,超越了CNN并增强了整体生存预测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 口腔状细胞癌 (OPSCC) 需要准确的预后模型来规划治疗.
- 现有的模型可能无法充分利用多模式数据来预测不同的临床结果.
研究的目的:
- 优化转化复发预测 (TransRP) 模型,整合卷积神经网络 (CNNs) 和视觉变换器 (ViT).
- 扩展TransRP用于预测多种临床结果:局部区域控制 (LRC),远程无转移生存率 (DMFS) 和整体生存率 (OS) 在OPSCC.
- 将TransRP的表现与CNN进行比较,并评估结合临床预测因素的方法.
主要方法:
- 使用了400名OPSCC患者的治疗前PET/CT扫描,临床参数和结果 (LRC,DMFS,OS).
- 将TransRP (仅图像数据) 与CNN进行比较.
- 评估了将临床预测因子集成到TransRP中的四种方法,包括在临床Cox模型中使用TransRP预测.
主要成果:
- 与CNN相比,TransRP表现出更好的预测性能 (C指数:LRC为0.61,DMFS为0.84,OS为0.70).
- 将TransRP预测集成到考克斯模型 (m4) 中,产生了更高的OS C指数 (0.77).
- 与常规风险分层相比,多模式的TransRP增强的考克斯模型显示,生存曲线的分离有所改善.
结论:
- 在预测OPSCC的所有临床终点方面,TransRP显著优于CNN模型.
- 在考克斯模型中将临床数据与TransRP预测结合起来,可以提高整体生存预测的准确性.
