18F-FDG基于PET/CT的深度放射性模型,用于增强乳腺癌中化疗反应预测

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:

• 准确预测乳腺癌化疗反应对于个性化治疗至关重要.
• 早期识别不响应者可以指导治疗策略的调整.
• 放射学和深度学习为提高预测准确性提供了潜力.

研究的目的:

• 开发和评估深度放射性模型,以预测乳腺癌患者在第一个治疗周期后的化疗反应.
• 为了比较XGBoost,随机森林,后勤回归和支持矢量机器模型的性能.
• 评估整合深度学习衍生特征对预测准确性的影响.

主要方法:

• 对60名乳腺癌患者的18F-Fludeoxyglucose PET/CT成像和临床数据的回顾性分析.
• 从PET图像上划分的瘤总体积 (GTV) 中提取放射性特征.
• 应用一个Squeeze-and-Excitation网络 (SENet) 深度学习模型来生成额外的功能.
• 使用放射性和深度学习功能开发和比较XGBoost,随机森林,后勤回归和支持矢量机器模型.
• 使用曲线下的接收器运行特征面积 (ROC AUC) 和五倍交叉验证进行性能评估.

主要成果:

• 仅使用放射性特征,XGBoost模型实现了最高的AUC (0.85).
• 整合来自SENet的深度学习衍生功能的功能显著改善了所有模型的AUC值 (XGBoost: 0.92,RF: 0.88,LR: 0.90,SVM: 0.61).
• 改进的模型能够根据治疗前 (T1) 和第一周期 (T2) 后的成像数据早期预测化疗反应.

结论:

• 整合深度学习衍生功能的功能大大提高了放射性模型对乳腺癌化疗反应的预测性能.
• 随着深度学习功能的增强,XGBoost模型展示了对治疗结果的早期和准确预测的卓越能力.
• 这些发现支持先进的放射性模型在优化乳腺癌患者个性化治疗策略方面的潜力.