一个可解释的变压器模型,集成PET和表格数据用于囊性淋巴瘤的组织学分级和预后:一个多机构的数字活检研究

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:

• 病理级对于毛囊淋巴瘤 (FL) 患者的治疗结果和治疗策略至关重要.
• 精确的FL分类传统上依赖于侵入性活检.
• 开发FL分级的非侵入性方法对于改善患者管理至关重要.

研究的目的:

• 开发一种深度学习模型,用于使用数字活检方法进行非侵入性卵泡淋巴瘤 (FL) 分级.
• 整合多模式数据,包括3D PET图像和表格患者数据,以提高FL分级的准确性.
• 通过可解释的AI框架来确保临床可靠性.

主要方法:

• 一个多式融合变压器模型是使用5个中心513名FL患者的回顾性数据开发的.
• 该模型将3D PET瘤图像与表格临床数据集成在一起.
• 可解释的AI模块 (Grad-CAM,SHapley添加式解释) 被纳入了解释性.

主要成果:

• 变压器模型在FL分级中实现了高精度,AUC从0.936到0.985不等,在验证队列中精度从86.4%到97.0%.
• 废弃性研究表明,融合模型的表现优于单一模式的方法.
• 解释性分析表明,PET图像对预测做出了显著 (81-89%) 的贡献,突出了瘤和周围瘤区域.

结论:

• 成功开发了一种可解释的多式融合变压器模型,用于准确的卵泡淋巴瘤 (FL) 分级.
• 该模型显示出有很大的潜力来帮助FL管理中的临床决策.
• 开发的数字活检工具也显示出预后价值,根据生存风险对患者进行分层.