基于CT图像的放射学和深度学习特征的清晰细胞细胞癌的生存分析

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 清细胞细胞癌 (ccRCC) 是癌最常见的亚型.
• 准确的预后模型对于指导ccRCC患者的治疗决策至关重要.
• 当前的预后工具可能缺乏精度或需要侵入性程序.

研究的目的:

• 开发和验证一种用于预测ccRCC患者存活率的新型名谱.
• 将定量放射学和深度学习功能与临床病理学因素相结合.
• 建立使用计算机断层扫描 (CT) 图像进行ccRCC预后的非侵入性工具.

主要方法:

• 从822名ccRCC患者的对比增强CT图像中提取了定量放射学和深度学习特征.
• 使用考克斯回归和最小绝对收缩和选择运算符 (LASSO) 进行特征选择.
• 创建了一个融合签名,并与临床病理学因素相结合,构建一个名图,使用一致性指数 (C-index) 和校准曲线进行验证.

主要成果:

• 开发的核聚变特征表现出与仅仅放射学相比,更高的性能.
• 最终的诺莫图,包括融合特征和两个临床病理因素,与临床诺莫图相比,C指数增加了20%左右.
• 诺莫图的预测概率与观察到的生存结果非常相匹配.

结论:

• 拟议的融合名图为ccRCC存活预后提供了准确且非侵入性的方法.
• 这种模型简化了放射科医生的风险评估,消除了详细瘤细分的需要.
• 这种名录具有未来在ccRCC患者管理中临床应用的潜力.