对癌症患者进行基于深度学习的身体组成分析,使用计算机断层成像
İlkay Yıldız Potter1, Maria Virginia Velasquez-Hammerle2,3, Ara Nazarian2,3,4
1BioSensics, LLC, 57 Chapel Street, Newton, MA, 02458, USA. ilkay.yildiz@biosensics.com.
Journal of imaging informatics in medicine
|December 11, 2024
概括
一个新的深度学习模型准确地分析CT扫描的身体组成,以检测癌症患者的营养不良. 这种方法改进了现有的工具,使得风险人群的早期诊断和干预成为可能.
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:
- 营养不良影响30-85%的癌症患者,目前的工具缺少20%的风险人群.
- 异常的身体组成,特别是脂肪和肌肉质量的损失,是营养不良的关键诊断标准.
- 计算机断层扫描 (CT) 是身体组成分析的黄金标准,经常用于癌症治疗.
研究的目的:
- 开发一种深度学习方法,使用癌症患者的CT扫描进行精确的身体组成分析.
- 通过准确细分脂肪组织和骨肌肉,使营养不良的早期检测成为可能.
主要方法:
- 一个深度学习模型,Swin UNEt TRansformers (Swin UNETR),被开发用于在L3脊椎水平上对脂肪组织和骨肌肉进行细分.
- 该模型在分割之前自动定位L3脊椎.
- 该方法使用了200个癌症患者的腹部/盆腔CT扫描数据集.
主要成果:
- 斯温UNETR实现了高细分精度,脂肪组织的Dice分数为0.92,骨肌肉的Dice分数为0.87.
- 该模型在子分数 (p<0.033) 中显著超过卷积神经网络基准 (2D U-Net) 2-12% (p<0.033).
- 预测显示与基本真相数据 (R2 0.7-0.93) 强烈一致,证实了其准确分析身体成分的潜力.
结论:
- 开发的深度学习方法从CT成像中提供准确的身体组成分析.
- 这种方法可以促进癌症患者早期发现营养不良.
- 通过改进的诊断能力,可以支持及时干预.
