一个基于串行MRI的深度学习模型,用于预测局部高级鼻癌患者的存活率
Jia Kou1, Jun-Yi Peng1, Wen-Bing Lv1
1From the Department of Radiation Oncology, State Key Laboratory of Oncology in South China, Guangdong Key Laboratory of Nasopharyngeal Carcinoma Diagnosis and Therapy, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, 651 Dongfeng Road East, Guangzhou 510060, China (J.K., C.F.W., Z.H.C., G.Q.Z., Y.Q.W., L.L., Y.S.); Department of Radiotherapy Center, The Sixth Affiliated Hospital, School of Medicine, South China University of Technology, Foshan, China (J.Y.P.); School of Biomedical Engineering and Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou, China (L.J.L.); and Department of Electronic Engineering, Information School, Yunnan University, Kunming, China (W.B.L.).
在诱导化疗前后使用连续MRI扫描的深度学习模型准确地预测了局部区域高级鼻癌 (LA-NPC) 的存活率. 这种放射学临床模型有助于风险分层和个性化治疗决策.
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:
- 局部先进的鼻癌 (LA-NPC) 需要准确的预后模型来进行有效的治疗计划.
- 传统的分期系统可能无法完全捕捉LA-NPC患者的预后细微差别.
- 诱导化疗 (IC) 之前和之后的连续成像为动态预后评估提供了潜力.
研究的目的:
- 开发和验证基于深度学习的预后模型,用于预测LA-NPC的生存率.
- 为了利用序列磁共振成像 (MRI) 数据获得之前和之后IC的模型开发.
- 评估模型的性能与已建立的分期方法相比,并评估其在指导治疗决策中的有用性.
主要方法:
- 一项多中心回顾性研究,涉及1039名LA-NPC患者.
- 在IC前后MRI和临床数据上使用图形卷积神经网络开发放射学临床预后模型 (RC模型).
- 在内部和外部队列中使用一致性指数 (C指数) 预测无疾病生存率 (DFS) 的模型性能评估.
主要成果:
- 与TNM分期相比,模型RC在内部 (0.79对0.53) 和外部 (0.79对0.62) 队列中显示了DFS预测的C指数显著更高 (P < .001).
- 该模型有效地将患者分为低风险和高风险组,在低风险组的5年DFS显著更好 (90.6%与58.9%,P<.001).
- 同时接受化学辐射疗法 (CCRT) 的高风险患者显示5年DFS (58.7% vs 28.6%,P = .03) 的改善,而低风险患者则没有显示CCRT的显著益处.
结论:
- 在IC之前和之后的连续MRI为LA-NPC预测存活提供了有价值的信息.
- 开发的放射学临床预后模型,利用深度学习,表现出强大的风险歧视能力.
- 这个模型有可能为LA-NPC患者提供风险适应的治疗策略.


