三维深度学习正常组织并发症概率模型,预测头癌患者晚期 Xerostomia
Hung Chu1, Suzanne P M de Vette1, Hendrike Neh1
1Department of Radiation Oncology, University Medical Center Groningen, University of Groningen, Groningen, The Netherlands.
International journal of radiation oncology, biology, physics
|August 15, 2024
概括
深度学习模型在头部和部癌症放射治疗后预测异口症方面表现有前途. 转移学习改善了外部验证,突出了需要多中心数据来概括这些正常组织并发症概率 (NTCP) 模型的需要.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学成像医学成像
- 机器学习 机器学习
背景情况:
- 在头癌患者中,常规的正常组织并发症概率 (NTCP) 模型依赖于单值变量,如基线位和平均唾液腺剂量.
- 准确预测辐射诱导的异口症对于改善患者治疗后的生活质量至关重要.
研究的目的:
- 通过使用深度学习 (DL) 来增强晚期异口症的预测,包括来自辐射剂量分布,CT成像和风险器官细分的三维 (3D) 信息.
- 为了比较基于DL的NTCP模型与使用临床和剂量计变量的传统模型的性能.
主要方法:
- 一个由1208名头癌患者组成的国际队列被用来训练和验证DL模型 (CNN,EfficientNet-v2,ResNet).
- 输入数据包括3D剂量分配,CT扫描,风险器官细分,基线异位体得分,性别和年龄.
- 将DL模型的预测与参考NTCP模型进行比较,使用接收器运行特征曲线 (AUC) 下的面积. 注意地图用于可视化,转移学习用于外部验证.
主要成果:
- 基于DL的NTCP模型在独立测试集上取得了优异的性能 (AUCtest,0.78-0.79),与独立测试集上的参考模型 (AUCtest,0.74) 相比.
- 注意力图显示DL模型专注于主要的唾液腺,特别是腺.
- 最初的外部验证显示DL模型的性能 (AUCexternal,0.63) 比参考模型 (AUCexternal,0.66) 低,但转移学习改善了DL性能 (AUCtl,外部,0.66).
结论:
- 基于DL的NTCP模型在内部验证时显示出比参考模型更好的性能.
- 转移学习增强了DL模型对外部数据的性能,这表明它有助于提高概括性.
- 多中心培训数据对于开发基于DL的强大和可泛化的NTCP模型来治疗辐射诱导的异位症至关重要.
