在EGFR阳性肺腺癌患者中预测脑转移,使用治疗前CT肺成像数据

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 大脑转移 (BM) 是EGFR阳性肺腺癌的一个重大问题.
• 早期发现BM风险对于及时干预和改善患者结果至关重要.
• 当前的预测模型可能无法充分利用治疗前成像数据的潜力.

研究的目的:

• 开发和评估一个结合放射性和深度学习特征的双功能融合模型.
• 预测EGFR阳性肺腺癌患者在两年内发生大脑转移的风险.
• 为了利用单一模式的治疗前肺部CT图像进行早期的BM风险预警.

主要方法:

• 分析了一组173名EGFR阳性肺腺癌患者 (93名有BM,80名没有) 的前期治疗肺部CT图像.
• 从细分的肺结节区域提取了放射性特征.
• 使用各种网络提取深度学习特征,包括新的视觉 mamba,并与放射性特征融合.
• 使用ROC曲线,DCA和AUC比较来评估模型性能.

主要成果:

• 融合视觉 mamba 模型实现了最高的分类性能,其 AUC 为 0.86 (95% CI: 0.82-0.90).
• 与仅使用放射学和仅使用深度学习的模型相比,核聚变模型显示出更高的预测准确性.
• 关键性能指标包括回忆率为0.88,F1得分为0.70,准确度为0.76.

结论:

• 融合视力曼巴模型有效地预测了使用单次CT成像的EGFR阳性肺腺癌的2年脑转移风险.
• 这种新的融合方法为早期发现BM风险提供了重要的临床价值.
• 该模型支持风险患者的个性化治疗策略.