一个可解释的机器学习模型有助于预测诱导化疗反应和使用MRI预测局部高级鼻癌的存活率:一个多中心研究
Hai Liao1, Yang Zhao1, Wei Pei1
1Department of Medical Imaging Center, Guangxi Medical University Cancer Hospital, Guangxi Clinical Research Center for Medical Imaging Construction, Guangxi Key Clinical Specialty (Medical Imaging Department), Dominant Cultivation Discipline of Guangxi Medical University Cancer Hospital (Medical Imaging Department), Nanning, China.
一种新的机器学习模型准确地预测了鼻癌 (NPC) 患者的诱导化疗反应和生存率. 这种人工智能工具帮助医生做出个性化治疗决策,以获得更好的患者结果.
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:
- 准确预测诱导化疗 (ICT) 反应和生存率对于局部区域高级鼻癌 (LANPC) 管理至关重要.
- 目前评估ICT疗效和预后的方法在鼻癌 (NPC) 是有限的.
研究的目的:
- 开发和验证一个可解释和通用的机器学习模型,使用MRI来预测LANPC患者的ICT反应和生存.
- 评估模型对临床决策的影响,通过评估医生在人工智能辅助和无人工智能辅助的情况下的表现.
主要方法:
- 追溯分析了来自三个医院的1368名LANPC患者,分为培训,验证和跨领域实力队伍.
- 开发一种基因算法增强的人工神经网络 (GNN) 模型,结合放射学和临床特征.
- 使用曲线下的面积 (AUC) 评估模型性能,用于响应预测和生存分析.
主要成果:
- 在预测ICT响应方面,GNN模型表现出强大的概括性能,AUC在所有队列中从0.808到0.864不等.
- 与临床因素相结合的GNN-放射性特征确定了低风险患者,其无进展生存率明显更好 (危险比率3.23112.787,p < 0.05).
- 通过模型辅助,医生预测ICT反应的表现显著改善 (初级医生的AUC从0.686增加到0.785;高级医生的AUC从0.736增加到0.836).
结论:
- 从多中心数据开发的可解释,可概括的GNN模型在预测LANPC的ICT响应和生存方面表现出卓越的表现.
- 这种人工智能驱动的方法可以识别可能受益于ICT的患者,支持个性化治疗策略.
- 该模型为临床医生提供了宝贵的帮助,增强了LANPC的个性化管理.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020