整合PET/CT,放射学和临床数据:在前列腺癌中预测淋巴结转移的一个先进的多模式方法
Fatma Ezgi Öğülmüş1, Yasin Almalıoğlu2, Müge Öner Tamam3
1Institute of Biomedical Engineering, Boğaziçi University, İstanbul, Turkey.
Computers in biology and medicine
|November 10, 2024
概括
一种新型的人工智能模型使用68Ga-PSMA PET/CT扫描和放射学准确预测前列腺癌中的淋巴结转移. 这种人工智能工具显示了改善治疗规划临床决策的潜力.
科学领域:
- 核医学是一种核医学.
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 淋巴结的参与显著影响前列腺癌患者的结果.
- 精确检测淋巴结转移对于治疗决策至关重要,包括手术和放射治疗.
- 传统的风险模型在预测淋巴结状况方面存在局限性.
研究的目的:
- 开发和评估一种深度学习模型,用于预测中期至高风险前列腺癌的淋巴结转移.
- 整合68Ga-PSMA PET/CT成像,放射学特征和临床数据,以提高预测准确度.
- 为了比较AI模型的性能与放射瘤学家在淋巴结转移评估中的性能.
主要方法:
- 追溯收集68Ga-PSMA PET/CT扫描和229名前列腺癌患者的临床数据.
- 使用切片式特征提取器和MNASNet开发AI模型,集成成像,临床和放射学数据.
- 在181例病例上进行了模范培训和48例病例的测试,随后与五名放射瘤学家进行了读者研究.
主要成果:
- 人工智能模型实现了0.85±0.03的平均精度和0.73±0.03.3的F1得分.
- 放射瘤学家的评估结果显示,性能指标较低 (精度为0.71±0.08,F1得分为0.70±0.07).
- 与人类读者相比,AI模型在预测淋巴结转移方面表现优越.
结论:
- 开发的深度学习模型显示出在前列腺癌管理中临床应用的巨大潜力.
- 人工智能模型可以帮助医生做出决策,特别是在具有读者间变化的复杂病例中.
- 整合68Ga-PSMA PET/CT,放射学和临床数据为预测淋巴结参与提供了强大的方法.
