临床结果的终端到终端预测在头部和部状细胞癌与基础模型基于多个实例的学习基础模型的临床结果

科学领域:

• 在瘤学中使用人工智能
• 医学成像分析 医学成像分析
• 基金会模型 基金会模型

背景情况:

• 基础模型 (FMs) 从大型数据集提供先进的功能学习,可能在医疗AI中表现优于传统的放射学.
• 使用FM和常规成像来预测头部和部状细胞癌 (HNSCC) 的结果是一个尚未探索的领域.

研究的目的:

• 评估基于FM的端到端多实例学习 (MIL) 以预测HNSCC的2年整体存活率 (OS),局部区域控制 (LRC) 和无远程转移 (FFDM).
• 评估基于FM的MIL对HNSCC患者风险组分层的能力,使用预治疗CT扫描.

主要方法:

• 分析了2485名来自三个追溯队列 (RADCURE,HN1,HN-PET-CT) 的HNSCC患者,并进行了预治疗CT扫描和GTVp细分.
• 开发和评估基于2D,多视图和3DFM的MIL模型,用于2年终点预测和风险分层.
• 用AUROC和KM分析对FM-MIL性能与放射学进行比较,并评估多式联络增强与临床基线的评估.

主要成果:

• 2D FM-MIL 模型实现了 OS 的 2 年测试 AUROC 0.75-0.84,LRC 的 0.66-0.75,FFDM 的 0.71-0.78,优于其他 FM-MIL 方法.
• FM-MIL的性能与放射学相似或优于放射学 (AUROCs:0.64-0.74,p≥0.012) 并显示出显著的风险分层 (HRs:2.14-4.77,p≤0.039).
• 在非HPV+患者中,多模式增强改善了2年的OS/FFDM预测 (AUROCs:0.82-0.87).

结论:

• 基于FM的MIL显示了HNSCC风险预测的巨大潜力,其性能与放射学水平相当或超过.
• 这些模型可以增强临床基线,特别是在非HPV+ HNSCC患者中,提供更好的预后能力.