开发智能工具,以预测基于多相增强CT和临床特征的神经母细胞瘤风险分层和整体预后

科学领域:

• 儿科瘤学 儿科瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 神经母细胞瘤 (NB) 是一种常见的儿童癌症,需要准确的风险分层和预后来进行个性化治疗.
• 目前使用临床特征和常规成像的评估方法的预测准确性有限.
• 需要改进的方法来提高NB患者的诊断和预后能力.

研究的目的:

• 开发和评估一个深度学习模型,以改善神经母细胞瘤的风险分层和预后评估.
• 将多相增强CT图像与临床特征集成,以提高预测准确度.
• 为NB管理中临床决策提供一种新的工具.

主要方法:

• 收集了202名NB患者的多相增强CT图像和临床数据.
• 使用Swin变压器模型开发了四个风险分层分类器.
• 构建了结合机器学习算法与CT图像特征和临床特征的预后模型.

主要成果:

• 使用动脉相图的Swin-ART模型,为风险分层实现了0.770的AUC.
• 后向渐进式考克斯回归和随机生存森林 (RSF) 的组合模型为预后产生了最高的平均C指数0.84.
• 与单一模式的临床模型相比,多模式模型显示出更高的预测准确性和稳定性.

结论:

• 成功开发了一个深度学习模型,集成多相增强CT图像和临床特征,用于NB风险分层和预后.
• 开发的模型为临床实践提供了一个有前途的新工具,增强了准确医学和个性化治疗策略.
• 这些发现为人工智能驱动的儿童瘤诊断和治疗决策的未来进展奠定了基础.