基于人工智能的CT数据的身体组成分析有可能预测多发性骨髓瘤患者的疾病过程

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 多发性骨髓瘤 (MM) 是一种血液性恶性瘤.
• 准确的预后标记对于MM患者分层至关重要.
• 目前的分期系统可能无法完全捕捉疾病的异质性.

研究的目的:

• 评估基于人工智能的体积体质成分分析 (BCA) 算法在多发性骨髓瘤 (MM) 中的实用性.
• 评估BCA衍生的指标与临床参数和患者结果的相关性.
• 探索BCA在MM中改进预后模型的潜力.

主要方法:

• 使用常规CT扫描对91名MM患者进行了回顾性分析.
• 一个由卷积神经网络驱动的BCA算法量化了组织部分和骨密度.
• 进行了与人口统计/临床数据的相关性,确定BCA内型,并进行了生存比较.

主要成果:

• 在患有高风险细胞遗传症的患者中观察到心脏标记指数值升高.
• 在疾病进展或死亡的患者中,皮下和总脂肪组织体积显著下降.
• 集群分析发现了两个不同的BCA内型,其中一个具有显著更好的生存率.
• 临床参数和BCA数据的组合模型显示,改善了疾病进展的预测.

结论:

• 基于体积人工智能的BCA为MM患者的特征提供了有价值的见解.
• BCA可以识别患有更高进展风险的患者,补充现有的分期系统.
• 人工智能驱动的BCA有可能增强患者分层和完善MM的预后准确性.