基于深度学习MRI的放射性模型,用于预测经过新辅助化疗后局部晚期鼻癌的复发:一项多中心研究

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:

• 在新辅助化学放射治疗 (NACT) 后,局部先进的鼻癌 (LA-NPC) 经常复发或转移.
• 准确预测治疗反应对于优化患者管理至关重要.

研究的目的:

• 验证MRI放射性模型的临床实用性,包括深度学习,用于预测NACT后LA-NPC患者的复发.
• 为了比较传统放射学,深度放射学和组合模型的预测性能.

主要方法:

• 追溯分析了来自四家医院的328名LA-NPC患者,分为培训 (n=229) 和验证 (n=99) 队列.
• 从T1WI+C和T2WIMRI序列中提取了975个传统和1000个深度放射性特征.
• 使用LASSO特征选择和五个机器学习分类器开发了三种预测模型 (传统放射学,联合深度放射学和临床特征).

主要成果:

• 在T2WI上使用结合深度放射性特征的最佳性能模型 (模型II,随机森林) 在验证队列中实现了0.87的AUC.
• 特征选择确定了T1WI+C中的15个放射性和6个深度放射性特征,以及T2WI中的9个放射性和6个深度放射性特征.
• 结合的深度放射性特征显示出出色的预测性能,单独超过传统的放射性特征.

结论:

• 综合深度学习的MRI放射性模型显示,在NACT后LA-NPC患者中预测复发的潜力显著.
• 这种方法可以帮助临床医生评估治疗疗效,并指导LA-NPC管理的临床决策.