自动深度学习方法用于第三腰部选择和癌症患者CT扫描的身体组成评估
Lidia Delrieu1, Damien Blanc2,3, Amine Bouhamama4
1Residual Tumor & Response to Treatment Laboratory, RT2Lab, Translational Research Department, INSERM, U932 Immunity and Cancer, Institut Curie, Paris University, Paris, France.
Frontiers in nuclear medicine
|October 2, 2024
概括
一个新的深度学习算法自动化了CT扫描的身体组成分析,评估骨肌肉 (SM) 和脂肪 (VAT,SAT). 该工具通过提供快速,准确的身体组成指标来帮助癌症患者监测和支持性护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 身体构成和肉症显著影响癌症患者的治疗结果和治疗耐受性.
- 由于手动CT扫描分析的时间密集性,目前的例行评估很少发生.
- 从CT扫描中精确测量身体成分至关重要,但依赖于手动,耗时的过程.
研究的目的:
- 开发和验证一种深度学习算法,用于从CT扫描中自动选择和细分腹肌 (SM),内脏脂肪 (VAT) 和皮下脂肪 (SAT).
- 克服手动分析在癌症患者的身体成分评估中的局限性.
- 为了在临床研究和实践中实现例行和高效的身体成分评估.
主要方法:
- 开发了一个深度学习算法,并使用来自两个癌症中心的352个CT扫描进行验证.
- 对第三个腰椎,SM,VAT和SAT进行了手动注释.
- 在内部验证中采用5倍交叉验证,在独立数据集上进行外部验证.
主要成果:
- 该算法在自动L3切片选择中实现了高精度,平均绝对误差低 (4毫米内部,5.5毫米外部).
- 在SM (0.94内部,0.93外部),VAT (0.93内部,0.93外部) 和SAT (0.86内部,0.85外部) 中报告了优异的DICE中位数相似系数.
- 在内部和外部验证数据集中观察到高相关性得分与肉症指标.
结论:
- 开发的深度学习算法使身体组成分析的常规研究使用成为可能.
- 该算法有可能集成到电子患者记录中,以改善患者护理.
- 自动化人体成分评估可以改善监测,并为癌症患者提供运动和营养等有针对性的支持性干预措施.
