通过深度学习预测手术前CT从非小细胞肺癌的无骨转移存活率

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:

• 准确预测无骨转移存活率 (BMFS) 对非小细胞肺癌 (NSCLC) 患者手术后的随访计划至关重要.
• 目前的方法在识别患有骨转移 (BM) 高风险的患者时可能缺乏准确性.

研究的目的:

• 开发和验证基于CT的手术前深度学习 (DL) 签名,用于预测NSCLC患者的BMFS.
• 将DL签名与临床成像因子集成,以创建更强大的预测模型 (DLCS).

主要方法:

• 对1547名经过完全切除手术和36个月监测的NSCLC患者的回顾性分析.
• 在多参数CT图像上使用3D卷积神经网络构建DL签名.
• 使用哈雷尔一致性指数 (C指数) 和时间依赖ROC分析验证DL签名和DLCS.

主要成果:

• DL签名显示了强大的BM预测性能 (C指数为0.799-0.818).
• 集成的DLCS模型的性能优于DL签名 (C指数为0.806-0.834).
• 在不同临床阶段,DLCS有效地将患者分为BM高风险和低风险组.

结论:

• 基于CT的深度学习模型可以准确地预测手术治疗NSCLC患者的BMFS.
• 开发的DLCS为评估BM风险和指导患者管理提供了一个有前途的工具.
• 这种人工智能驱动的方法可能会为NSCLC患者增强个性化后续策略.