基于多模式放射学的方法,使用深度学习来预测非小细胞肺癌中大脑转移的情况,使用¹⁸F-FDG PET/CT图像

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 大脑转移 (BMs) 在57%的非小细胞肺癌 (NSCLC) 患者中发生,这给预后带来了重大挑战.
• 中枢神经系统的药物输送受到血脑屏障的阻碍,使BMs的治疗复杂化.
• 早期检测和治疗对于改善 BMs NSCLC 患者的生存率至关重要.

研究的目的:

• 评估使用3D神经网络的多式放射学方法,用于预测NSCLC患者的BMs.
• 评估使用18F-FDG PET/CT成像用于非侵入性BM预测的可行性.
• 整合临床数据与成像功能,以提高预测性能.

主要方法:

• 在EGFR-TKI治疗之前,对226名NSCLC患者进行了18F-FDG PET/CT扫描.
• 提取了浅肺特征 (PyRadiomics) 和深肺-大脑特征 (3D神经网络).
• 一个支持矢量机 (SVM) 模型整合了这些特征和临床数据 (年龄,性别,阶段) 来进行BM预测.

主要成果:

• 浅层和深层放射性特征的结合实现了高预测性能 (AUC = 0.96 ± 0.01).
• 浅深的肺脑特征显示出强大的统计学意义 (P < 0.001) 和预测潜力 (系数> 0.8).
• 患者年龄也被确定为BMs的显著预测因素 (P <0.05).

结论:

• 开发的多模式放射学方法为评估NSCLC患者提供了定量,非侵入性的工具.
• 这种方法提高了对瘤特征的理解,有助于识别统计学上显著的BM相关特征.
• 这些发现支持开发针对性治疗策略的潜力NSCLC患有BMs风险的患者.