¹⁸F-FDG PET/CT 基于放射学的多模式融合模型用于术前个性化非侵入性预测晚期胃癌中腹腔转移的腹膜转移

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 晚期胃癌 (AGC) 在预测腹膜转移 (PM) 方面带来了重大挑战.
• 准确预测PM对于治疗计划和患者在AGC中的结果至关重要.
• 目前的诊断方法在有效检测颗粒物方面可能存在局限性.

研究的目的:

• 开发和验证一种多模式融合 (MMF) 模型,用于预测AGC中的PM.
• 使用机器学习整合18F-氧糖 (FDG) PET/CT放射学,临床因素和专家诊断.
• 提高PM在晚期胃癌患者的个体预测准确度.

主要方法:

• 分析了167名AGC患者的队列,这些患者接受了手术前PET/CT和手术.
• 使用经典和内核支持张力机 (KSTM) 模型提取了PET/CT放射性签名.
• 通过整合PET/CT签名,临床名录和通过证据推理的专家诊断,建立了一个多模式融合 (MMF) 模型.

主要成果:

• 货币市场基金模型显示出高预测性能,AUC为94.16% (培训) 和90.84% (测试).
• 货币货币基金模型在预测准确性方面显著超过临床名录和专家诊断.
• 该模型显示了强大的概括,即使对于具有挑战性的亚型,如粘膜腺癌和结环细胞癌.

结论:

• 基于18F-FDG PET/CT放射学的MMF模型显示了在AGC中预测PM的显著临床实用性.
• 结合来自多种模式的信息对于全面和准确的PM预测至关重要.
• 这种方法为改善晚期胃癌的治疗提供了一个有前途的工具.