一个放射遗传学深度集体学习模型,用于识别脑转移 (BM) 后的放射性缩,在患有非小细胞肺癌BM患者的立体射线外科手术

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 立体辐射手术 (SRS) 是大脑转移 (BM) 的常见治疗方法.
• 不侵入性地区分SRS后的放射性死与瘤复发仍然是一个临床挑战.
• 准确的区分对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发一种深度集体学习模型,用于在SRS后的BM患者中识别放射性死与复发.
• 将患者的临床特征和基因组资料与成像数据相结合,以提高诊断准确度.
• 为了解决当前非侵入性成像方法在区分这些疾病方面的局限性.

主要方法:

• 一个深度神经网络 (DNN) 在SRS T1+c后3个月的MRI扫描上训练了90名BM (62名患者) 患有非小细胞肺癌.
• 一个整体模型将DNN提取的深度特征与临床 (D+C) 或基因组 (D+G) 数据结合在一起,使用一种新的位置编码方法.
• 模型性能与仅图像DNN和单个D+C和D+G子模型进行了评估.

主要成果:

• 深层组合模型实现了高的诊断性能 (ROC AUC = 0.91 ± 0.04).
• 这显著优于仅图像DNN (ROC AUC = 0.71 ± 0.05) 和单个子模型 (D + C: 0.82 ± 0.03,D + G: 0.83 ± 0.02).
• 该模型表现出强烈的灵敏度 (0.87 ± 0.16),特异性 (0.86 ± 0.08) 和精度 (0.87 ± 0.04).

结论:

• 深层组合模型在区分BM放射性死与复发方面表现出卓越的性能.
• 整合多模式数据 (成像,临床,基因组) 提高了诊断能力.
• 这种人工智能驱动的方法在改善BM管理中的临床决策方面具有重大潜力.