基于瘤入侵建模的放射学和深度学习模型来预测质母细胞瘤治疗结果
Mehdi Astaraki1, Wille Häger1, Marta Lazzeroni1
1Division of Medical Radiation Physics, Department of Physics, Stockholm University, Stockholm, Sweden; Department of Oncology-Pathology, Karolinska Institutet, Stockholm, Sweden.
概括
一个生物物理模型用于划分多形质母细胞瘤 (GBM) 临床目标体积 (CTV) 显示与当前方法可比的整体生存预测. 这种方法可以提高GBM治疗计划的预后能力.
科学领域:
- 神经瘤学神经瘤学
- 医学物理 医学物理
- 计算生物学 计算生物学
背景情况:
- 对临床目标体积 (CTV) 的准确划分对于有效的多形质母细胞瘤 (GBM) 放射治疗至关重要.
- 目前用于CTV划分的方法可能无法完全捕捉GBM瘤的透性.
- 生物物理建模提供了一种潜在的方法,可以更好地估计瘤的传播.
研究的目的:
- 调查生物物理指导方法在GBM中进行CTV划分的可行性.
- 评估这种新方法对整体存活率 (OS) 预测的影响.
- 为了比较生物物理衍生CTV (CTV模型) 的预后能力与临床定义的CTV.
主要方法:
- 使用反应扩散模型在T1-MRI图像中模拟GBM瘤的演变.
- 确定了最佳模型参数以估计透细胞分布 (CTV模型).
- 放射学和深度学习模型分析了GTV,临床CTV和CTV模型来预测OS.
主要成果:
- 该研究包括126名开发对象和62名独立测试对象.
- 生物物理指导的CTV (CTV模型) 显示了与临床CTV相比的OS预测能力.
- CTV模型在二元生存预测中显示出更好的预后能力 (AUROC验证:0.77与0.75;测试:0.73与0.71).
结论:
- 生物物理建模显示,在GBM的CTV划分中估计透细胞扩散的潜力.
- 这种方法可以在GBM治疗计划中提高预后准确性.
- 需要进一步的临床验证来确认这种生物物理方法的有效性.
