基于PET的病变图符合临床数据:用于DLBCL治疗响应预测的可解释的交叉注意力框架
Oriane Thiery1, Mira Rizkallah1, Clément Bailly2
1Nantes Université, Centrale Nantes, CNRS, LS2N, UMR 6004, F-44000 Nantes, France.
概括
这项研究引入了一个图形神经网络,以使用PET/CT图像和临床数据识别高风险的扩散性大B细胞淋巴瘤 (DLBCL) 患者. 该模型有效地整合了多病变成像信息,以改善风险预测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是淋巴癌中日益关注的问题.
- 目前的诊断和随访依赖于临床生物标志物和18F-氧糖 (FDG) -PET/CT成像.
- 早期识别高危DLBCL患者对于有效的治疗策略至关重要.
研究的目的:
- 开发一种新的框架,用于早期识别高风险DLBCL患者.
- 整合来自PET/CT图像和表格临床数据的信息.
- 改善对2年无进展生存期 (PFS) 的预后预测.
主要方法:
- 开发了一个图形神经网络 (GNN) 模型,以表示PET/CT图像作为归因损伤图.
- 设计了一个交叉注意模块,将图像衍生的属性与临床指标融合在一起.
- 该框架整合了跨多种病变和预测数据模式的信息.
主要成果:
- 拟议的GNN框架有效地整合了多病变图像信息,优于仅使用临床数据的模型.
- 在545名患者的多中心数据集上的实验验证证明了该框架的有效性.
- 基于图形的设计提供了可解释性,允许跟踪预测到关键病变和特征.
结论:
- 开发的GNN模型提供了一种有效的方法,用于在DLBCL风险分层中整合多种数据源.
- 这种方法可以提升高风险患者的早期识别,从而有可能改善治疗结果.
- 该模型的可解释性有助于更深入地了解DLBCL的预后因素.
