胸部包括多模式的PET/CT深度学习模型用于切除肺癌预后:一项回顾性多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 早期非小细胞肺癌 (NSCLC) 患者经常接受手术,但复发仍然是一个重大风险.
• 传统的癌症分期,虽然有用,但可能无法完全捕捉医学图像中存在的预后信息.
• 需要先进的模型整合不同的数据,以改善手术后NSCLC患者的风险分层.

研究的目的:

• 开发和评估一个深度学习模型 (DLM) 来预测NSCLC无复发生存率 (RFS).
• 评估将FDG PET/CT成像与临床,外科和病理数据相结合是否能改善RFS预测和风险分层,与传统分阶段相比.

主要方法:

• 从两个机构 (2009-2018) 进行了手术切除的NSCLC患者的回顾性分析.
• 使用手术前的FDG PET/CT成像以及临床,手术和病理学数据开发了一种多模式的DLM.
• 在测试和外部验证队列中评估了DLM在预测RFS和分层风险方面的表现,与传统分期相比.

主要成果:

• 多模式DLM在测试 (AUC=0.78) 和外部验证 (AUC=0.66) 队列中都显示出RFS的显著预测价值.
• DLM有效地将患者分为高风险,中风险和低风险组 (p < 0.001),超过了未能分层患者的传统分期.
• 在传统的I和II阶段内,DLM还提供了显著的子风险分层.

结论:

• 这项研究引入了第一个使用成像和临床数据预测术后NSCLC患者RFS的多模式DLM.
• 与传统分期相比,DLM显著改善了风险分层,并且可以在既定阶段内识别高风险的患者.
• 该模型有可能帮助临床医生识别可能受益于额外辅助治疗的NSCLC患者.