早期预测喉癌放射治疗结果,使用基线的深度学习[18F]氧葡萄糖正子发射断层扫描/计算机断层扫描
Kuo-Chen Wu1, Shang-Wen Chen2, Ruey-Feng Chang3
1Graduate Institute of Biomedical Electronics and Bioinformatics, National Taiwan University, Taipei, Taiwan; Artificial Intelligence Center, China Medical University Hospital, Taichung, Taiwan.
European journal of radiology
|November 3, 2024
概括
这项研究开发了一个深度学习框架,使用18F-FDG-PET/CT扫描来预测喉癌患者的放射治疗结果,如局部复发和远程转移.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 喉癌治疗依赖于放射治疗,但预测结果具有挑战性.
- 准确预测治疗反应对于个性化患者管理至关重要.
研究的目的:
- 开发一个集成的,没有细分的深度学习 (DL) 框架.
- 预测喉癌患者使用预治疗18F-FDG-PET/CT扫描的多种放射治疗结果.
主要方法:
- 利用了162名训练和32名验证患者的18F-FDG-PET/CT扫描.
- 在合并的PET和CT图像上训练了三个不同的DL模型,使用集体投票分类器.
- 预测局部复发 (LR),部淋巴结复发 (NR) 和远程转移 (DM),通过ROC分析评估性能.
主要成果:
- 根据DL框架,LR的曲线下的面积 (AUC) 为0.850,NR为0.878和DM为0.893.
- 预测LR,NR和DM的准确率分别为87.5%,68.8%和78.1%.
- 随访时间中位数为36个月,在训练队列中观察到的事件率为LR的27.8%,NR的19.8%,DM的13.0%.
结论:
- 提出的DL模型,使用基线18F-FDG-PET/CT,可以补充进行放射治疗的喉癌患者的结果预测.
- 需要进一步优化NR和DM预测准确性,可能通过技术进步或临床参数的整合.
- 外部验证对于确认DL框架的通用性和临床实用性至关重要.
更多相关视频
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.5K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
