终端到终端深度学习预测新辅助化疗响应在骨髓瘤患者使用常规MRI

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:

• 骨髓瘤 (OS) 治疗通常涉及新辅助化疗 (NACT).
• 预测NACT反应对于定制治疗策略至关重要.
• 当前的预测方法可能无法充分利用常规成像数据.

研究的目的:

• 开发和评估一个端到端的深度学习 (DL) 模型,用于预测OS患者的NACT反应.
• 使用多序磁共振成像 (MRI) 数据进行预测.
• 将自动瘤细分与治疗响应分类整合起来.

主要方法:

• 在手术前接受NACT的112名OS患者的回顾性分析.
• 开发一个端到端DL模型,将ResUNet用于细分和3D-ResNet-18用于分类.
• 使用T2加权和对比度增强的T1加权MRI序列.

主要成果:

• DL模型实现了强大的瘤细分 (Dice:0.579,IoU:0.463).
• T2加权的3D-ResNet-18分类器显示出高预测性能:AUC为0.902,准确度为0.783.
• 该模型在预测NACT反应方面表现出强烈的灵敏度 (0.909) 和F1得分 (0.800).

结论:

• 拟议的端到端DL模型有效预测使用常规MRI的OS患者的NACT反应.
• 这种人工智能驱动的方法为临床决策提供了一个潜在的非侵入性工具.
• 进一步验证可能会加强其在个性化骨髓瘤治疗中的作用.