基于CT的深度学习放射学特征的开发和验证,以预测口腔状细胞癌中的淋巴结转移:一项多中心研究

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 淋巴结转移 (LNM) 对于口腔状细胞癌 (OPSCC) 的治疗和预后至关重要.
• 准确的手术前预测LNM对于最佳的患者管理至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 放射学模型,用于使用对比增强计算机断层扫描 (CECT) 在OPSCC中预测LNM.
• 将DL放射学特征与临床和手工放射学 (HCR) 特征集成,以组合预测模型.

主要方法:

• 对来自三个机构的279名OPSCC患者进行了回顾性分析.
• 从CECT图像中提取HCR和DL特征,然后进行维度缩小.
• 使用机器学习分类器构建放射学签名和组合模型.
• 使用接收器操作特征曲线 (AUC) 和校准曲线下的面积进行性能评估.

主要成果:

• 组合模型实现了高AUC值:0.909 (培训),0.884 (内部验证) 和0.865 (外部验证).
• 组合模型的表现优于临床模型和表现最好的仅放射学模型.
• 在组合模型中观察到令人满意的校准.

结论:

• 基于CECT的组合模型显示了在OPSCC中进行术前LNM预测的巨大潜力.
• 这种模型为量身定制治疗策略和改善患者结果提供了有价值的工具.
• 将DL放射学与临床数据的整合代表了在OPSCC中预测LNM的进步.