基于MRI的多参数模型,整合了放射学和深度学习,用于喉状细胞癌的手术前分期

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确的喉平细胞癌 (LSCC) 的术前分期对于有效的临床决策至关重要.
• 目前的分期方法可能在精确区分瘤阶段方面存在局限性.

研究的目的:

• 开发和验证一个集成放射学和深度学习 (DL) 的多参数MRI模型,用于手术前的LSCC分期.
• 要区分早期 (I-II阶段) 和高级 (III-IV阶段) 的LSCC.

主要方法:

• 来自两个中心的401名LSCC患者的队列用于培训和测试.
• 从MRI中提取了放射性特征,并使用随机森林构建了七个放射性模型.
• 一个基于ResNet 18的DL模型被开发出来,其特征与放射学特征被融合在一起,以创建一个组合模型.
• 用ROC曲线下的面积 (AUC) 评估模型性能,并与放射科医生的性能进行比较.

主要成果:

• 组合模型在外部测试组中达到0.877的AUC,超过DL模型 (0.811) 和最佳放射学模型 (0.835).
• 组合模型显著优于DL和放射学模型,以及放射学家 (p < 0.05).
• 该模型证明了无进展生存期 (PFS) 的预后价值,C指数为0.624.

结论:

• 结合放射学和DLMRI模型,为手术前的LSCC分期提供了更高的准确性.
• 该模型支持更明智的临床决策,并为LSCC患者提供有价值的预后信息.