亚区域放射学结合多通道二维或三维深度学习,用于预测食道状细胞癌中新辅助化疗免疫疗法反应:一个多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 局部发达的食道状细胞癌 (LA-ESCC) 需要有效的治疗预测.
• 新辅助化疗和免疫疗法 (NACI) 是一种标准治疗方法,但预测反应对于个性化治疗至关重要.
• 放射学和深度学习 (DL) 在非侵入性瘤评估方面表现有前途.

研究的目的:

• 开发和比较融合模型,将分区域放射学与二维和三维DL集成,用于预测LA-ESCC患者进行NACI的病理完整反应 (pCR).
• 确定最佳模型来预测PCR和患者从NACI中获益.

主要方法:

• 使用了271名LA-ESCC患者的多机构队列,分为培训,内部和外部验证集.
• 使用K-means集群识别了瘤子区域,并提取了放射性特征.
• 开发并比较了将放射学与二维DL (DLRad1) 和三维DL (DLRad2) 结合的融合模型.

主要成果:

• DLRad1模型 (放射学 + 2D DL) 实现了最高的预测性能,在所有队列中,AUC从0.793到0.910不等.
• 仅1次区域的特征就显示了AUC为0.823.
• DLRad1的性能优于DLRad2和单模式模型,这表明将无线电学与二维DL结合在一起的有效性.

结论:

• DLRad1模型是一个有前途的非侵入性工具,用于预测LA-ESCC患者进行NACI的pCR.
• 这种方法可以帮助确定最有可能从NACI中受益的患者,支持个性化治疗决策.
• 需要进一步验证,以便将该模型纳入临床实践.