改进使用视觉转换器的脑转移患者局部衰竭的风险评估 - 一个多中心的开发和验证研究
Ayhan Can Erdur1, Daniel Scholz2, Q Mai Nguyen3
1Department of Radiation Oncology, TUM School of Medicine, TUM University Hospital rechts der Isar, Technical University of Munich, Munich, Germany; Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany.
概括
视觉转换器 (ViT) 通过MRI扫描准确预测大脑转移的失败风险. 这种人工智能工具增强了患者分层和个性化治疗,优于现有方法.
科学领域:
- 在瘤学中使用人工智能
- 医学成像分析 医学成像分析
- 机器学习用于治疗规划
背景情况:
- 大脑转移在癌症治疗中带来了重大挑战.
- 准确预测局部失效对于有效的患者管理至关重要.
- 目前的风险分层方法可能缺乏精度.
研究的目的:
- 开发和验证视觉转换器 (ViT) 模型,用于预测大脑转移中的局部失效自由 (FFLF).
- 为了提高个性化治疗策略的风险分层.
- 根据已建立的临床和基于人工智能的基线评估模型的性能.
主要方法:
- 从AURORA试验中对352名接受手术和立体射线治疗的患者进行了回顾性分析.
- 在T1-CE和FLAIRMRI序列上训练一个ViT模型,结合临床特征.
- 使用细分引导的图像修改,模型调整和专业的患者采样.
- 在外部队列 (n=99) 上评估模型概括,并使用显著性地图进行可解释性分析.
主要成果:
- 在外部测试队列中,ViT模型获得了0.7982的C指数,超过了临床,CNN和混合模型.
- 卡普兰-梅尔分析表明,FLFLF具有显著的风险分层能力.
- 突出地图证实了模型关注相关区域 (BM核心),与专家放射学解释保持一致.
结论:
- 基于ViT的模型显示了针对大脑转移患者个性化治疗和随访的潜力.
- 它为临床工作流程提供了强大的,自动化的放射学替代方案.
- 该模型可以通过加强风险评估和分层来改善患者的治疗结果.
