扩散型大B细胞淋巴瘤患者的生存预测:多模式PET/CT深度特征放射性模型利用自动机器学习的自动机器学习模型
Jianxin Chen1, Fengyi Lin2, Zhaoyan Dai2
1The Key Laboratory of Broadband Wireless Communication and Sensor Network Technology (Ministry of Education), Nanjing University of Posts and Telecommunications, Nanjing, China. chenjx@njupt.edu.cn.
Journal of cancer research and clinical oncology
|October 9, 2024
概括
来自PET-CT扫描的新放射学特征有效地预测了扩散性大B细胞淋巴瘤 (DLBCL) 患者的生存率. 这种深度学习模型可以提高预测准确度,并有助于风险分层.
科学领域:
- 放射学和医学成像技术
- 在瘤学瘤学.
- 人工智能在医学中的应用
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是一种侵略性的非霍奇金淋巴瘤.
- 准确的预后模型对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 开发一种扩散型大B细胞淋巴瘤 (DLBCL) 患者存活率的预测模型.
- 为了利用从多式联动PET-CT图像中获得的深度特征放射学签名 (DFR签名).
主要方法:
- 使用深度学习融合网络,从369名DLBCL患者中创建多式PET-CT图像.
- 通过使用自动机器学习 (AutoML) 来提取深度特征并构建DFR签名.
- 一个组合模型将DFR签名与预测生存的临床因素 (PFS和OS) 整合在一起.
主要成果:
- 开发了一个包含1000个深度特征的DFR签名.
- 组合模型在预测无进展生存 (PFS) 和整体生存 (OS) 中表现出强的表现.
- 在PFS和OS的培训和验证队列中,实现了高一致性指数 (C指数) 值.
结论:
- 从多模式PET-CT图像中获得的DFR签名提高了DLBCL中的预后分类准确性.
- 联合的DFR签名和NCCN-IPI显示了DLBCL患者风险分层的重大潜力.
