来自CT的原发性瘤和转移性宫淋巴结的深度学习模型,用于预测口腔癌的结果
Bolin Song1, Amaury Leroy2, Kailin Yang3
1Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology and Emory University, Atlanta, Georgia.
JAMA network open
|May 1, 2025
概括
一个新的基于CT的深度学习模型整合了原发性瘤和淋巴结特征,以预测p16+口腔状细胞癌 (OPSCC) 的结果. 这种工具有助于识别受益于化疗的患者,优化治疗以改善存活率.
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:
- 口腔状细胞癌 (OPSCC) 的预后与原发性瘤 (PT) 和转移性宫淋巴结 (LN) 的特征有关.
- 目前的方法缺乏对PT和LN的综合成像分析,以预测p16+ OPSCC结果.
研究的目的:
- 开发和验证基于计算机断层扫描 (CT) 的深度学习分类器,集成PT和LN特征,用于p16+ OPSCC中的结果预测.
- 为了识别可能从化疗中受益的第一阶段疾病患者.
主要方法:
- 从3个独立队列中对811名p16+OPSCC患者的CT扫描进行了回顾性分析.
- 利用Swin变压器架构将PT和LN功能融合到多区域成像风险评分 (SwinScore) 中,用于生存预测.
- 在一个队列上进行模型开发和验证,在另外两个队列上进行外部测试.
主要成果:
- 在p16+ OPSCC.中,SwinScore证明了无病生存 (DFS),总生存 (OS) 和局部区域衰竭 (LRF) 的预后价值.
- 集成的SwinScore (C指数0.63) 优于仅使用PT (0.61) 或LN (0.58) 特性的模型.
- 化疗仅在SwinScore高的患者中显著改善了DFS,而不是那些得分低的患者.
结论:
- 基于CT的成像风险评分整合PT和LN特征可以预测p16+ OPSCC中的复发风险.
- 该工具有助于识别适合治疗量身定制的患者,从而有可能优化治疗策略.
- 斯温斯科尔提供了一个细粒度的方法来个性化治疗p16+ OPSCC.
