预测皮质卵巢癌患者接受贝瓦齐祖马布治疗的CT基于深度学习的预后

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:

• 表皮卵巢癌 (EOC) 在预后和治疗方面带来了重大挑战. 抗血管性药物贝瓦齐祖马布 (bevacizumab) 改善了无进展生存率 (PFS),但仍难以确定高风险患者.
• 准确的预后对于定制治疗策略和管理接受贝瓦西祖马布的复发性或不可手术的EOC患者至关重要.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于预测EOC患者的PFS治疗贝瓦西祖马布.
• 评估一种多式模式,将DL风险评分和碳水化合物抗原125结合起来,以提高预后准确度.

主要方法:

• 在三个机构中,对525名不可手术/复发性EOC患者的计算机断层扫描 (CT) 扫描进行了回顾性分析,这些患者接受了bevacizumab治疗.
• 开发用于PFS预测的DL模型,内部和外部验证. 一个多式模式的模型结合了DL风险评分和预处理CA125.
• 使用Harrell的C指数和净重新分类改进 (NRI) 对FIGO分阶段进行评估.

主要成果:

• 对于PFS预测,DL模型实现了0.73 (内部) 和0.61 (外部) 的C指数.
• 多式联运模式的性能有所改善,C指数为0.76 (内部) 和0.64 (外部).
• 与FIGO分期相比,多式模式模型显示了显著的重新分类改进 (NRI=0.06,P<0.001).

结论:

• 基于DL的模型,特别是与CA125的多模式方法,为接受贝瓦齐祖马布的EOC患者的预后评估提供了一个有前途的工具.
• 开发的模型可以帮助制定治疗策略和监测患者,从而有可能改善临床决策.
• 这种人工智能驱动的方法增强了风险分层,超出了传统的分阶段方法.