新诊断多发性骨髓瘤患者全身低剂量计算机断层扫描预测细胞遗传风险:深度学习放射遗传学研究

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 细胞遗传异常对于多发性骨髓瘤 (MM) 的风险分层至关重要.
• 准确预测这些异常可以改善患者管理和生存结果.
• 全身低剂量CT (WBLDCT) 扫描提供了一个全面的成像方法.

研究的目的:

• 开发一个使用WBLDCT扫描的深度学习 (DL) 模型.
• 评估DL模型在预测MM中的细胞遗传异常方面的准确性.
• 评估模型在风险分层和生存预测中的实用性.

主要方法:

• 分析了诊断后一年内151名MM患者的WBLDCT扫描.
• 光 in situ 杂交 (FISH) 用于细胞遗传学评估和风险分层 (高风险与标准风险).
• 使用五倍交叉验证方法训练和验证了一个DL模型,使用接收器操作曲线下的面积 (AUROC) 作为性能指标.

主要成果:

• DL模型在分类各种细胞遗传异常方面表现良好至出色.
• 对于t(4;14) (0.874 ± 0.073) 观察到最高的AUROC,而三症有最低的AUROC (0.717 ± 0.058).
• 该模型的生存预测与高风险和标准风险组的实际生存率密切一致.

结论:

• 基于WBLDCT的DL模型可以有效地预测MM的细胞遗传异常.
• 这种模型有望改善MM患者的风险分层和指导治疗决策.
• 这些发现突出了AI在医疗成像中的潜力,用于瘤学应用.