一个可解释的深度学习框架,用于预测手术后放射治疗诱导的阴道狭窄症在手术治疗宫癌患者
Hua Han1, Honger Zhou1, Jing He1
1Department of Gynaecology, The First People's Hospital of Fuyang District, 311400 Hangzhou, Zhejiang, China.
Annali italiani di chirurgia
|May 16, 2025
概括
一个新的深度学习模型准确地预测了宫癌治疗后的阴道狭窄 (VS) 风险. 这种可解释的AI框架,使用SE-Inception和Grad-CAM,有助于个性化干预,以改善患者的生活质量.
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:
- 针对局部晚期宫癌的手术后辅助放射治疗可能会导致阴道狭窄 (VS),影响生活质量.
- 目前的成像 (CT,MRI) 在治疗前预测VS风险的能力有限.
- 需要准确的,可解释的预测模型来进行手术瘤学的个性化干预.
研究的目的:
- 开发和验证一个可解释的深度学习框架,用于预测放射治疗诱导的VS.
- 集成挤压和激发 (SE) 网络和梯度加权类激活映射 (Grad-CAM) 进行预测和可视化.
- 启用早期,个性化的干预策略,以减轻VS风险.
主要方法:
- 140名宫癌患者的治疗前CT图像的回顾性收集 (2017年1月至2022年3月).
- 开发一个SE-Inception深度学习模型来预测VS风险.
- 与随机森林和ResNet50进行比较;整合Grad-CAM以提供可解释性.
主要成果:
- 该SE-Inception模型实现了高精度 (0.93) 和AUC (0.95),表现优于ResNet50和随机森林.
- Grad-CAM突出显示了临床相关的区域,提高了模型的可解释性.
- 决策曲线分析显示,SE-Inception模型的临床净益处优越.
结论:
- 在SE-Inception框架准确和可解释地预测术后放射治疗诱导的宫癌VS.
- 这种方法支持个性化干预,有可能改善幸存者的结果和生活质量.
- 该模型促进了主动的,以手术为基础的治疗计划.
