建立一个深度学习模型,集成治疗前和治疗中期的计算机断层扫描,以预测非小细胞肺癌的治疗反应
Xuming Chen1, Fanrui Meng2, Ping Zhang3
1Department of Radiation Oncology, Shanghai General Hospital, Shanghai Jiaotong University School of Medicine, Shanghai, China.
概括
将中期治疗计算机断层扫描 (CT) 与预治疗CT相结合,显著改善了用于预测非小细胞肺癌 (NSCLC) 放射治疗 (RT) 反应的深度学习模型. 这种方法可以实现个性化剂量升级 (DE),以改善患者的治疗结果.
科学领域:
- 医学成像和放射瘤学医学成像和放射瘤学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 个体患者的特征显著影响非小细胞肺癌 (NSCLC) 辐射疗法 (RT) 反应,这对标准化治疗构成了挑战.
- 准确预测RT反应对于定制治疗和改善NSCLC患者的治疗结果至关重要.
研究的目的:
- 开发和验证一个深度学习模型,整合治疗前和治疗中期的计算机断层扫描 (CT),用于预测NSCLC的RT反应.
- 评估模型在识别可能受益于个性化剂量升级 (DE) 的患者的表现.
主要方法:
- 一项回顾性研究,涉及来自三个医院的168名NSCLC患者.
- 开发一个可变时间间隔长的短期记忆网络,结合深度学习,放射学和临床特征.
- 内部和外部验证使用不同的患者队列来评估预测准确度 (AUC) 和绝对误差.
主要成果:
- 综合模型 (预治疗+中期CT) 与预治疗CT单独 (0.762内部,0.687外部) 相比,实现了更高的AUC值 (0.869内部,0.798外部).
- 个性化DE为29名患者计算,剂量调整范围为77.7至120 Gy,表明显著的个体变异性.
- 该模型在预测治疗反应和指导个性化剂量调整方面表现强.
结论:
- 将治疗前和治疗中期CT数据结合起来,显著提高了NSCLC中RT反应的预测.
- 开发的深度学习模型为个性化剂量升级提供了一个有前途的框架,有可能提高NSCLC的治疗疗效.
