在接受放射治疗的乳房重建患者中,使用异常生成对抗性网络模型评估化品结果

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和整形外科 整形外科

背景情况:

• 乳房重建之后的放射治疗 (RT) 越来越常见,需要客观的化品结果评估.
• 目前对再建后的化品结果的客观评估工具有限.
• 放射治疗可以显著影响乳房重建的美学结果.

研究的目的:

• 验证基于生成对抗网络 (GAN) 的异常检测模型,以客观地评估乳房重建和RT后的化品结果.
• 评估异常分数 (AS) 在预测化品变化和并发症风险方面的有用性.
• 分析AS和既定的客观化品指数之间的相关性.

主要方法:

• 分析了接受RT的82名乳腺癌患者的计算机断层扫描 (CT) 图像 (植入物与自身重建).
• 使用异常GAN模型估计多个时间点的异常得分 (AS):RT前,1次随访,1年后RT (Post-1Y) 和2年后RT (Post-2Y).
• AS被分析为时间序列,按重建类型和RT技术分层,并与客观的化品指数相关 (乳房轮差异,乳房面积差异).

主要成果:

• 异常分数 (AS) 显示1年后和2年后之间存在正相关性 (系数为0.515,P<0.001).
• 在1年后和2年后,AS与客观化指数 (乳腺轮差异,P = 0.009;乳腺面积差异,P = 0.004) 有显著的相关性.
• 假肢植入物患者在所有随访点 (P < 0.001) 的AS明显高于自身重建患者 (P < 0.001).
• 一个AS值≥1.9预测了10%的重大并发症风险.

结论:

• 异常GAN模型的AS可用于预测乳房重建患者在RT后的化品结果和并发症可能性.
• 该模型为评估化品结果提供了一个客观的衡量标准,特别有用于区分植入物和自身重建之间的结果.
• 建议对更大的患者队伍进行进一步验证,以巩固这种人工智能驱动的评估工具的临床实用性.