一个基于变压器的多任务深度学习模型,用于同时识别和细分鼻癌的T阶段癌症
Kaifan Yang1, Xiuyu Dong2,3,4, Fan Tang5
1Department of Medical Imaging Center, Nanfang Hospital, Southern Medical University, Guangzhou, Guangdong, China.
Frontiers in oncology
|July 1, 2024
概括
一个新的深度学习模型准确地轮鼻癌 (NPC) 瘤,并同时识别T阶段. 这种方法通过自动化繁重的手工任务来简化放射治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的总瘤体积 (GTV) 轮和T分期对于鼻癌 (NPC) 精确辐射治疗至关重要.
- 手动GTV轮和T阶段是耗时和费力的过程.
- 现有的深度学习模型主要侧重于瘤细分,对NPC分期的关注有限.
研究的目的:
- 开发一种深度学习模型,能够同时识别NPCT阶段,并准确地细分GTV.
- 为弥补NPC处理计划的自动分期和轮的差距.
主要方法:
- 开发了一个基于变压器的多任务深度学习模型,用于同时进行瘤轮和T阶段识别.
- 该研究使用了320名NPC患者 (T1-T4阶段) 的回顾性对比增强T1加权图像 (CE-T1WI).
- 数据经过三次交叉验证和外部验证,使用ROC-AUC,准确性,子相似系数 (DSC) 和平均表面距离 (ASD) 评估性能.
主要成果:
- 多任务模型实现了GTV轮的中位数DSC为0.74mm,ASD为0.97mm.
- 在T阶段表现显示AUC为0.85 (95%CI:0.82-0.87).
- 自动化T分期精度为早期阶段 (T1-T2) 的76%和高级阶段 (T3-T4) 的64%,优于单任务模型.
结论:
- 多任务模型显示了同时划分瘤轮和识别NPC中的T阶段的显著潜力.
- 利用相互关联的任务之间的协同作用可以提高轮和分期的性能.
- 这种模型显示承诺作为一个实用的工具,以支持临床精度辐射治疗NPC.
