基于CT的深度学习模型,用于改善临床I期肺癌中无病生存预测:现实世界多中心研究
Yuanyuan Fu1, Runping Hou1, Liqiang Qian2
1Department of Radiation Oncology, Shanghai Chest Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
European radiology
|June 12, 2025
概括
使用CT扫描的深度学习模型准确地预测手术或SBRT后早期肺癌患者的无疾病生存率,识别高风险个体进行个性化治疗.
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:
- 早期肺癌复发率和转移率在患者之间有很大的差异,尽管有激进的治疗方法,如手术或刻板印象的身体辐射疗法 (SBRT).
- 准确预测无疾病生存率 (DFS) 对于定制治疗策略和改善患者结果至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测临床I期肺癌患者的DFS,使用治疗前的CT图像.
- 评估模型在接受手术切除和SBRT治疗的患者中的性能.
主要方法:
- 一个追溯的队列2489临床I期非小细胞肺癌 (NSCLC) 患者接受手术治疗被用来开发一个基于3D卷积神经网络的DL模型.
- 用Harrell的协同指数 (C指数) 评估DL模型的预测性能,并与临床模型进行比较.
- 从两个独立的医院对248名临床I期SBRT治疗的患者进行了外部验证.
主要成果:
- 在手术队列中,DL模型实现了0.85的高C指数,明显超过了临床模型 (C指数:0.76).
- 在SBRT队列中,DL模型有效地将患者分为高风险和低风险组,具有显著不同的DFS率 (p <0.01).
- 在手术和SBRT患者队列中,DL衍生得分被确定为DFS的独立预测因子 (p < 0.01).
结论:
- 基于CT的DL模型在预测DFS方面表现出卓越的性能,用于接受手术或SBRT的早期肺癌患者.
- 这种人工智能工具准确地识别出患有复发和转移高风险的患者,有助于个性化临床决策.
- DL模型作为一个可靠的预后工具,增强早期肺癌的管理.
