基于多式核磁共振 (MRI) 的深度放射学模型预测了用新辅助化学放射治疗治疗的宫癌的反应
Zhihua Cai1,2,3, Sang Li2, Zhuang Xiong3
1College of Computer and Data Science of Fuzhou University, Fuzhou, China.
Scientific reports
|August 17, 2024
概括
使用MRI放射学和深度学习的新AI模型准确地预测了宫癌治疗反应. 这种工具有助于个性化医疗,并改善接受新辅助化疗或放射治疗的患者的生存预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 子宫癌 (CC) 治疗通常涉及新辅助化疗 (NACT),随后对Ib2-IIb阶段进行手术.
- 预测治疗反应对于优化患者结果和个性化护理至关重要.
研究的目的:
- 开发一种基于MRI的多模式模型,使用放射学和深度学习来预测接受新辅助化学放射治疗 (NACRT) 的CC患者的治疗反应.
- 评估模型与整体存活率 (OS) 和无病存活率 (DFS) 的关联.
主要方法:
- 从CC患者 (Ib2-IIb阶段) 收集了临床数据,对比度增强的T1加权成像 (CE-T1WI) 和T2加权成像 (T2WI).
- 使用放射学和深度学习模型提取了放射性和深度抽象特征.
- 采用特征选择 (弹性网,SVM-RFE) 和融合技术 (早期,混合) 来进行模型构建.
- 利用机器学习分类器来预测和评估培训和验证集的性能.
主要成果:
- 支持矢量机 (SVM) 模型显示出最好的预测性能,AUC为0.86.
- 一个混合特征集在验证集中获得了最高的AUC (0.86),ACC (0.75),回忆 (0.75),精度 (0.81),和F1得分 (0.75).
- 预测结果与患者的OS和DFS有很强的相关性 (p = 0.0044; p = 0.0039).
结论:
- 综合放射学和深度学习的多模式MRI模型可以准确地预测宫癌中NACRT反应.
- 这种预测模型可以帮助临床医生量身定制治疗计划,并预测患者的生存率.
- 这些发现支持使用先进的成像和人工智能用于个性化瘤学.
更多相关视频
06:24Dynamic Contrast Enhanced Magnetic Resonance Imaging of an Orthotopic Pancreatic Cancer Mouse Model
Published on: April 18, 2015
15.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
