平行CNN-深度学习临床成像签名用于评估软组织肉瘤患者的病理程度和预后
Jia Guo1, Yi-Ming Li2, Hongwei Guo3
1Department of Radiology, The Affiliated Hospital of Qingdao University, Qingdao, China.
Journal of magnetic resonance imaging : JMRI
|June 11, 2024
概括
深度学习与MRI功能相结合,可以准确地评分软组织肉瘤 (STS),并预测预后. 这种方法为个性化治疗规划提供了传统活检的非侵入性替代方案.
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:
- 传统的软组织肉瘤 (STS) 活检具有风险,可能无法捕捉瘤异质性.
- 磁共振成像 (MRI) 为全面的STS评估提供了一种非侵入性方法.
研究的目的:
- 为了评估将临床成像参数与从STS组织学分级和预后进行手术前MRI的深度学习 (DL) 特征集成的诊断准确性.
- 评估基于DL的模型在改善风险分层和预测无进展生存期 (PFS) 中的潜力.
主要方法:
- 一项追溯和前性研究,涉及354名病理确诊的STS患者.
- 使用ResNet-18模型提取深度学习特征,并与临床成像数据相结合,创建DL临床成像签名 (DLCS).
- 统计分析包括后勤回归,考克斯回归和决策曲线分析,以评估DLCS模型的性能.
主要成果:
- 与临床模型 (AUCs 从0.662到0.694) 相比,DLCS模型显示出更高的诊断准确性 (AUCs 从0.819到0.838).
- 决策曲线分析表明DLCS模型的临床净益更大.
- DLCS模型有效地对患者进行了风险分层,并评估了无进展的生存率.
结论:
- DLCS模型显示了在STS患者中准确的组织学分级和预后评估的巨大潜力.
- 这种人工智能驱动的方法可能有助于开发针对软组织肉瘤的个性化治疗策略.
