基于扩散权重成像深度学习和放射学特征对子宫内膜癌TP53突变的估计

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 在子宫内膜癌 (EC) 发病过程中,TP53突变至关重要.
• 准确预测TP53突变状态对于治疗分层至关重要.

研究的目的:

• 开发和验证EC中TP53突变的预测模型.
• 该模型整合了深度学习 (DL) 功能,来自扩散加权成像 (DWI) 的放射学功能和临床变量.

主要方法:

• 使用了来自155名EC患者的数据 (80名培训,35名测试,40名外部验证).
• 功能包括基于DL的卷积神经网络功能,放射学功能和临床数据.
• 用高斯过程 (GP) 和决策树 (DT) 算法来构建模型.
• 用AUC,NRI,校准曲线和决策曲线分析 (DCA) 来评估模型性能.

主要成果:

• 结合DL,放射学和临床特征的综合GP模型实现了最高的诊断疗效 (AUC培训=0.949,测试=0.877,验证=0.914).
• 这种综合模型显著改善了TP53突变的风险重新分类.
• 组合模型显示出良好的一致性和临床实用性.

结论:

• 结合DWI的DL和放射学特征与临床变量的预测模型,利用GP算法,可以有效地评估EC中的TP53突变.
• 这种方法提供了一种有希望的非侵入性方法,用于预测子宫内膜癌中TP53突变状态.