用临床,放射学和深度学习特征预测立体辐射疗法后脑转移的局部控制

科学领域:

• 医学成像分析 医学成像分析
• 放射治疗瘤学 放射治疗瘤学
• 机器学习在医学中的应用

背景情况:

• 对脑转移的立体辐射疗法后局部衰竭的准确预测对于及时调整治疗至关重要.
• 以前的研究强调了放射学和深度学习 (DL) 在预测局部控制 (LC) 中的价值.
• 放射学,DL和LC的临床特征的联合预测潜力仍然未被探索.

研究的目的:

• 评估使用放射学,DL和临床特征的组合模型的准确性,以预测大脑转移的立体辐射疗法后的局部控制 (LC).
• 将这个集成模型的性能与仅使用这些特征子集的模型进行比较.

主要方法:

• 分析了治疗前的大脑MRI和来自129名患者的临床数据.
• 从MRI中提取了放射学和3D深度学习 (DL) 功能.
• 一个随机森林算法训练了四个模型:仅临床特征,临床+放射性,临床+DL,临床+放射性+DL.

主要成果:

• 该模型结合了临床,放射学和DL特征,实现了0.88的接收器运行特征曲线 (AUC) 下的最高面积,准确率为81.66%.
• 这种综合模型在统计学上显著地改善了单独临床特征或临床+DL特征的模型.
• 组合模型的性能与仅使用临床和放射性特征的模型没有显著差异.

结论:

• 将放射学和DL特征与临床数据相结合,可以提高对脑转移的立体辐射疗法后局部控制的预测.
• 采用放射学特征的模型表现出卓越的性能.
• 增强的预测准确性支持早期结果评估和及时的治疗修改,以改善患者管理.