使用3DCT成像预测食道癌的存活率:3DCT成像:以非局部特征聚合和基于图形的空间相互作用为背景意识的方法

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的食道癌 (EC) 生存预测对于个性化治疗至关重要.
• 目前的深度学习模型缺乏对瘤-淋巴结相互作用的关注.
• 美国癌症联合委员会 (AJCC) 的TNM分期在预测EC患者的长期生存方面存在局限性.

研究的目的:

• 开发一种有效的EC生存风险预测模型,仅使用3D计算机断层扫描 (CT) 图像.
• 整合瘤和淋巴结信息,以改善生存预测.
• 为TNM分阶段系统提供一个补充工具,用于风险分层和治疗指导.

主要方法:

• 一个新的深度学习模型,包含非本地特征聚合模块 (NFAM) 和基于图形的空间交互模块 (GSIM).
• 在本地和全球范围内,NFAM整合了瘤和淋巴结的视觉特征.
• 通过基于图表的方法,GSIM探索瘤和淋巴结之间的潜在上下文相互作用.

主要成果:

• 与最先进的生存预测方法相比,拟议的模型取得了更高的性能.
• 保持主要轴为[公式:参见文本]mm的淋巴结,产生了最好的预测结果 (C指数:0.725).
• 将淋巴结信息与瘤信息整合起来,显著改善了深度学习模型对EC存活的预测性能.

结论:

• 开发的模型证明了使用3DCT图像对食道癌存活率的强大预测能力.
• 这些发现为选择食道癌的预后因素提供了宝贵的指导,例如淋巴结大小.
• 该模型可以作为TNM分期的补充工具,增强预后评估,指导个性化治疗的辅助治疗决策.