利用无监督机器学习与FDG PET/CT开发一种复合模型来预测同时接受化学放射治疗的宫癌患者的整体存活率
Jinyu Shi1, Lian Wang2, Min Zhou3
1Department of Nuclear Medicine, The First Affiliated Hospital of Soochow University, Suzhou, China.
Frontiers in oncology
|May 19, 2025
概括
一个集成[18F]FDG PET/CT成像和炎症标志物的先进模型准确地预测化学放射治疗后宫癌存活率. 这种新的方法改善了患者的分层,并有助于个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 数据科学数据科学数据科学
背景情况:
- 在并发化疗放射治疗 (CCRT) 后宫癌预后需要改进预测模型.
- 整合成像和炎症标志物提供了提高预后准确性的潜力.
研究的目的:
- 开发一种先进的复合模型,用于预测接受CCRT的宫癌患者的整体存活率.
- 使用无监督的双向聚类来整合 [18F]FDG PET/CT 放射性特征和炎症标记物.
主要方法:
- 对154名使用CCRT治疗的宫癌患者的回顾性分析.
- 从[18F]FDG PET/CT扫描中提取和选择了1702个放射性特征.
- 应用无监督的双向聚类来分层患者,并生成用于生存预测的元特征.
主要成果:
- 双向分组显著分层的患者到不同的风险组 (P<0.001),表现优于K-means.
- 使用元特征的模型与主要组件分析 (PCA) 相比,显示出优异的预测性能.
- 结合了临床,炎症和放射性数据,实现了最高的预测准确性 (平均AUC为0.88±0.07).
结论:
- 无监督的双向集群集成放射学和炎症标志物提供了一个强大的方法来预测宫癌的生存率.
- 这种方法促进了个性化的患者管理和明智的治疗决策.
- 开发的模型表明,它有望改善接受CCRT的宫癌患者的治疗结果.
