整合基于放射性和3D自编码器的功能,用于非小细胞肺癌生存率分析
Meri Ferretti1, Valentina D A Corino2
1Cardio Tech-Lab, Centro Cardiologico Monzino IRCCS, Via Carlo Parea 4 20138 Milan, Italy.
Computer methods and programs in biomedicine
|November 17, 2024
概括
这项研究开发了一种联合的放射学,深度学习和临床特征,用于预测非小细胞肺癌 (NSCLC) 患者的生存率,比单个方法更准确.
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:
- 非小细胞肺癌 (NSCLC) 的生存预测仍然具有挑战性.
- 放射学和深度学习为预后建模提供了新的方法.
研究的目的:
- 开发和评估用于NSCLC生存分析的综合放射性,基于自编码器 (AE) 和临床签名.
- 评估单域和多域签名在预测患者结果方面的性能.
主要方法:
- 使用3D卷积自编码器 (AE) 和PyRadiomics从422名NSCLC患者中提取特征.
- 应用特征选择和考克斯比例危险模型与LASSO惩罚.
- 使用一致性 (C) 指数和危险比率 (HR) 评估的签名.
主要成果:
- 单域 (放射学,AE,临床) 和多域签名都显著差异化了风险组.
- 综合签名实现了最高的危险比率 (HR = 1.7383).
- 基于AE和临床特征的组合产生了最高的C指数 (0.6309).
结论:
- 结合AE,放射性和临床数据,有望提高NSCLC存活预测.
- 这种多领域的方法可以提高NSCLC患者的预后准确性.
