放射学和深度学习 通过计算机断层扫描预测免疫疗法诱导的肺炎

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用

背景情况:

• 免疫检查点抑制剂 (ICI) 提供了显著的癌症治疗益处,但可能导致严重的副作用,如肺炎 (PN).
• 预测PN风险对于安全有效的长期ICI治疗和临床试验中的患者分层是必不可少的.

研究的目的:

• 开发和评估基于成像的模型,用于预测ICI治疗患者的PN.
• 为了比较放射学和深度学习模型在预测PN风险方面的表现.

主要方法:

• 分析了671名癌症患者的队列,这些患者在治疗前可获得3,351名ICI治疗患者的胸部CT扫描.
• 开发了三种预测模型:一种使用放射学特征,一种使用原始CT数据上的卷积神经网络 (CNN),以及一种组合模型.

主要成果:

• 仅使用CNN模型的曲线下面面积 (AUC) 达到0.819,高于仅使用放射学模型 (AUC 0.747) 的水平.
• 放射学和深度学习模型的组合显示了AUC (0.829) 的边际改善,但与仅CNN模型相比,在统计学上并不显著.
• 对于PN预测,CNN模型显示了提高的灵敏度 (0.743) 和可比的正预测值 (0.244).

结论:

• 深度学习模型,特别是CNN,在预测PN方面表现出优越的实用性,与传统的放射学相比.
• 这些发现表明,在ICI治疗和临床试验中,有可能改善患者管理和风险分层.