基于人工智能的预测模型的验证,使用5个外部PET/CT数据集对扩散大B细胞淋巴瘤进行验证
Maria C Ferrández1,2, Sandeep S V Golla3,2, Jakoba J Eertink2,4
1Department of Radiology and Nuclear Medicine, Cancer Center Amsterdam, Amsterdam UMC, Vrije Universiteit Amsterdam, Amsterdam, The Netherlands; m.c.ferrandezferrandez@amsterdamumc.nl.
概括
与国际预测指数相比,一个新的深度学习模型显示,与国际预测指数相比,扩散型大B细胞淋巴瘤患者治疗结果的预测得到了改进. 这种人工智能模型为预测患者预后提供了有价值的工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 患者的结果对于治疗分层至关重要.
- 准确的预后模型对于DLBCL个性化医疗至关重要.
- 目前的预测工具,如国际预测指数 (IPI),有局限性.
研究的目的:
- 验证一种深度学习 (DL) 模型,用于预测DLBCL进步的2年时间.
- 将DL模型的性能与IPI和放射性PET/CT模型进行比较.
- 评估DL模型在独立临床试验中的实用性.
主要方法:
- 在296名DLBCL患者的PET/CT扫描中,对最大强度预测进行了深度学习模型的训练.
- 该模型在5个独立的临床试验中对836名DLBCL患者进行了外部验证.
- 使用曲线下的面积 (AUC) 和卡普兰-梅尔曲线评估性能,比较DL,IPI和放射性模型 (临床PET和PET).
主要成果:
- 在DL模型中,AUC (0.66) 显著高于IPI (0.60) (P < 0.01).
- 放射性模型 (临床PET AUC 0.69,PET AUC 0.71) 显示性能优于DL模型.
- 在所有临床试验中,DL模型始终优于IPI.
结论:
- 经过验证的DL模型表明DLBCL患者的IPI的预后性能优于DLBCL患者.
- 这种人工智能驱动的方法可以预测治疗结果,而不需要手动划分瘤.
- 虽然有效,但DL模型的预后准确性略低于先进的放射性模型.
