临床结果的终端到终端预测在头部和部状细胞癌与基础模型基于多个实例的学习基础模型的临床结果
Asier Rabasco Meneghetti1,2, Marta Ligero Hernández1, Jens-Peter Kühn3
1Else Kroener Fresenius Center for Digital Health, Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, 01307 Germany.
BMC artificial intelligence..
|July 3, 2025
概括
使用二维多个实例学习的基础模型对预测头癌患者的结果显示出希望. 这些模型的性能优于传统的放射学,提供了更好的风险分层和个性化治疗见解.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 基础模型 (FMs) 为医疗AI提供先进的功能学习,具有终点预测的潜力.
- 使用常规成像来预测头部和部状细胞癌 (HNSCC) 的结果,FMS的应用尚未得到充分研究.
研究的目的:
- 评估基于基础模型的多重实例学习 (MIL) 来预测HNSCC患者的2年整体存活率,局部区域控制和远程转移的自由.
- 将基于2D,多视图和3D FM的MIL模型的预测和分层性能与手工制作的放射学和临床基线进行比较.
主要方法:
- 利用基于基础模型的多个实例学习 (MIL),使用2D,多视图和3D成像方法.
- 在三个外部HNSCC患者队列中评估了模型.
- 与手工制作的放射学和临床基线进行预测和分层的性能比较.
主要成果:
- 基于2D FM的MIL模型取得了显著的预测性能 (AUROC为整体存活率为0.75-0.84),超过了多视图/3D MIL和匹配/超越放射学.
- 证明了显著的分层能力 (危险比率2.14-4.77) 并确定了终点特定的模式.
- 多模式增强改善了非HPV阳性患者的预测 (AUROC 0.82-0.87).
结论:
- 基于基础模型的2D MIL显示了HNSCC中风险预测和结果分层的巨大潜力.
- 这些模型与放射学基线相匹配或超越,学习临床相关的模式.
- 基于FM的2D MIL提供了增强的临床基线预测,特别是在非HPV阳性HNSCC队列中.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
201
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.4K
