一个基于放射学的人工智能模型,用于评估局部结肠癌复发的风险

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 数据科学数据科学数据科学

背景情况:

• 在局部结肠癌 (LCC) 中准确估计复发风险对于治疗规划至关重要.
• 目前的临床病理学分期在识别高风险患者方面存在局限性.
• 需要像放射学这样的新型非侵入性工具来增强临床决策.

研究的目的:

• 开发和验证一种针对局部结肠癌的新型风险分层工具.
• 为了提高预测复发时间的准确性,超出传统方法.
• 确定与结肠癌复发相关的关键临床和放射性特征.

主要方法:

• 从2015年至2017年对II期和III期LCC患者 (n=278) 的回顾性分析.
• 使用受罚的考克斯比例危险和梯度增强算法的预测模型的开发.
• 基于临床/病理特征的模型的比较,仅仅是放射性特征和组合特征.

主要成果:

• 一个结合的临床和放射学模型显示出优越的预后能力 (C指数0.68,AUC0.69).
• 莎普利添加式扩展 (SHAP) 确定了几何,血管入侵和瘤阶段作为重要的预测因素.
• 新的"风险分类"得分有效识别了高风险患者 (HR 11.74,P = 0.017).

结论:

• 开发的"风险分类"得分显示出比现有方法更高的预后能力.
• 基于放射学的风险评估可以显著改善LCC的复发时间估计.
• 这种方法可以为个性化治疗策略提供更好的患者分层.