在肺癌中使用多模式PET/CT融合的自动PD-L1状态预测

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:

• 编程死亡配体1 (PD-L1) 表达对于指导肺癌疗法至关重要,包括铁激酶抑制剂 (TKI) 和免疫检查点抑制剂 (ICI).
• 目前确定PD-L1状态的方法依赖于侵入性瘤活检,这具有风险,可能不会产生代表性样本.

研究的目的:

• 评估深度学习模型用于非小细胞肺癌 (NSCLC) 中PD-L1状态的非侵入性预测,使用计算机断层扫描 (CT) 和F-FDG正子发射断层扫描 (PET) 成像.
• 为了进行最佳PD-L1预测,比较不同的融合方法 (早期与晚期融合) 和深度学习架构 (ResNet,DenseNet,EfficientNet).

主要方法:

• 用非侵入性CT和PET成像分析了189名NSCLC患者的队列.
• 训练和测试了各种深度学习架构,使用不同的输入数据组合:仅CT,仅PET和合PET/CT图像 (早期和晚期融合).
• 模型的性能是使用接受器操作特征曲线 (AUC) 下的面积和95%置信区间 (CI) 来评估的.

主要成果:

• 与单独使用任何一种模式相比,PET和CT图像作为输入的融合显著改善了PD-L1分类性能.
• 在不同深度学习模型中,PET和CT数据的早期融合始终优于晚期融合方法.
• 晚期聚变架构中的重量共享并没有持续增强PD-L1预测,这表明由于CT和PET数据的不同性质,其益处有限.

结论:

• 在NSCLC中对PD-L1状态的非侵入性预测是可行的,可以通过将CT和PET成像与深度学习相结合来提高.
• 多模式成像数据的早期融合为提高NSCLCPD-L1评估的准确性提供了一个有希望的方法.
• 进一步的研究可能会探索优化的融合策略和模型架构,以完善针对个性化肺癌治疗的非侵入性PD-L1预测.