在3D辐射分布图和临床变量上训练下下骨质放射瘤的多模式深度学习正常组织并发症概率模型的外部验证
Laia Humbert-Vidan1,2, Christian R Hansen3,4, Vinod Patel5
1Department of Medical Physics, Guy's and St Thomas' NHS Foundation Trust, London, UK.
Physics and imaging in radiation oncology
|November 20, 2024
概括
这项研究外部验证了深度学习模型用于预测下骨质形死 (ORN),发现其性能与传统方法相似,但强调需要进一步研究以解决临床使用的过拟合和域移动问题.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学成像医学成像
- 医学中的人工智能
背景情况:
- 对于正常组织并发症概率 (NTCP) 的深度学习 (DL) 模型越来越多地包含空间剂量信息.
- 这些基于DL的先进NTCP模型的外部验证仍然是一个关键的研究缺口.
- 部骨质放射性死 (ORN) 是头部和部放射治疗后的一种严重并发症.
研究的目的:
- 为了外部验证一个基于DL的NTCP模型,用于下 ORN.
- 将DL模型的性能与逻辑回归模型进行比较.
- 评估3D辐射剂量分布图在预测ORN中的实用性.
主要方法:
- 一个3D DenseNet-40卷积神经网络 (3D-mDN40) 在184名受试者的临床数据和3D剂量分布图上受过训练.
- 第二个DL模型 (3D-DN40) 仅在剂量图上进行训练.
- 两种DL模型和逻辑回归 (LR) 模型都在82个受试者的独立数据集上进行了外部验证.
主要成果:
- 在DL模型和LR模型之间没有发现显著的性能差异.
- 内部验证显示了类似的Brier分数 (约0.2),日志损失 (0.6-0.7) 和ROC AUC (约0.7).
- 外部验证显示了类似的ROC AUC值 (约为0.6),但强调了培训和验证队列之间的临床变量分布的差异.
结论:
- 这是第一个对基于多模式DL的ORN NTCP模型进行外部验证的研究.
- 这些模型显示了改善下 ORN 的空间风险评估的潜力.
- 需要进一步的研究来解决过度配合和域移动问题,以确保可靠的临床实施.
