深度学习用于从肝癌CT扫描中评估瘤治疗结果和终点
Yujia Xia1,2, Jie Zhou2,3, Xiaolei Xun4
1Department of Bioinformatics and Biostatistics, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai, 200240, China.
NPJ precision oncology
|November 17, 2024
概括
一个新的深度学习工具,RECORD,通过CT扫描提供客观的肝癌治疗反应评估,比传统方法提高准确性. 它有助于预测无进展生存率和分层患者风险,以获得更好的结果.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 在肝癌临床试验中,准确评估治疗反应至关重要,但由于主观性和多焦点病变,使用RECIST标准具有挑战性.
- 目前依赖固体瘤响应评估标准 (RECIST) 的方法是主观的,耗时的,容易出现错误.
研究的目的:
- 开发和验证基于深度学习的系统 (RECORD) 用于使用CT扫描对肝癌的客观,自动化治疗反应评估.
- 与手动RECIST评估相比,提高评估瘤负担变化和识别新病变的准确性和效率.
主要方法:
- 开发了一个深度学习管道 (RECORD) 结合CNN和ViT的骨干,用于肝脏瘤细分和体积计算.
- 实施了基于体积 (SOV) 的总和分类,用于反应,稳定性和进展,包括新的病变检测.
- 在使用内部交叉验证和外部数据集的三个纵向队列中验证了RECORD (206名患者,891次扫描).
主要成果:
- 在疾病状态分类 (AUC 0.929-0.981) 和新病变识别 (F1 评分 0.887) 中,RECORD 实现了高性能.
- 最终治疗结果评估准确度达到0.889,预测和临床医生评估的无进展生存期 (PFS) 和反应时间之间存在强烈的相关性.
- 与人类评估的RECIST相比,RECORD证明了总体生存的优越患者分层.
结论:
- 该RECORD系统提供了一种高效和客观的方法,用于评估CT扫描的肝癌治疗反应.
- RECORD显示了提高临床试验效率和改善患者整体生存风险分层的潜力.
- 未来的工作应该探索将RECORD管道扩展到其他转移性网站.
