多模式数据深度学习方法用于预测由肺癌放射治疗与免疫治疗相结合引起的症状性肺炎
Mingyu Yang1, Jianli Ma1, Chengcheng Zhang2
1Harbin Medical University Cancer Hospital, Harbin, China.
Frontiers in immunology
|January 23, 2025
概括
一个新的深度学习模型准确地预测了接受联合免疫疗法和放射治疗的非小细胞肺癌 (NSCLC) 患者的肺炎. 这种方法集成成像功能,放射学和临床数据,以提高治疗安全性.
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:
- 结合免疫疗法和放射疗法对局部发达的非小细胞肺癌 (NSCLC) 是有前途的.
- 这种组合治疗可以增加肺损伤,特别是肺炎的风险.
- 准确预测肺炎对于管理与治疗相关的毒性至关重要.
研究的目的:
- 开发和验证用于预测症状性肺炎 (SP) (≥2级) 的深度学习模型.
- 评估模型在接受同时进行胸部放射治疗和免疫治疗的肺癌患者的性能.
- 将多式联机深度学习模型与传统的放射学和临床数据模型进行比较.
主要方法:
- 使用261名NSCLC患者的治疗前CT扫描创建了一个多式联络深度学习模型.
- 该模型整合了来自深度学习 (ResNet34) 的深度图像特征,放射性特征和临床数据.
- 使用五倍交叉验证来评估模型性能,用于图像处理的数据增强.
主要成果:
- 多式联络融合模型实现了0.922的曲线下面积 (AUC),明显优于其他模型.
- 放射性特征模型 (AUC 0.811) 和临床信息模型 (AUC 0.711) 的预测能力较低.
- 一个结合omics和临床数据的模型实现了0.872的AUC,仍然低于多式联络方法.
结论:
- 一个基于深度神经网络的多式融合模型显著提高了2级或更高肺炎的预测.
- 与传统的放射学方法相比,这种模型提供了更好的预测性能.
- 这些发现支持使用这种先进的模型来对NSCLC患者进行个性化风险评估.
