一个堆叠组合框架,集成放射学和深度学习,用于头癌的预后预测

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 癌症预后的放射学模型往往缺乏可重现性和稳定性.
• 头癌 (HNC) 存活率预测需要准确可靠的模型.
• 现有的预后模型可能无法充分利用多式联络成像数据.

研究的目的:

• 开发一个多模式,多模型的融合框架,以改善HNC的预后预测.
• 通过堆叠集体学习来提高生存预测的准确性和稳定性.
• 整合PET和CT的放射学和深度学习功能,用于HNC预后.

主要方法:

• 从9个中心收集了806个HNC病例,对143个病例进行了外部验证.
• 从PET和CT中提取了放射学特征 (IBSI标准) 和深度学习特征 (3D DenseNet-121).
• 采用堆叠融合策略与Cox,SVM,RSF,DeepCox和DeepSurv模型进行预测预测.

主要成果:

• 融合模型整合了PET和CT放射学和深度学习功能,实现了最高的一致性指数 (C指数) 0.9345.
• 使用PET+CT深度特征的深度学习模型 (DeepSurv,DeepCox) 显示出高的C指数 (0.9217,0.9208).
• 堆叠融合模型显著优于单个模型,提高了预测准确度.

结论:

• 基于堆叠的组合模型为HNC预后预测提供了卓越的性能.
• 放射学和深度学习特征的多式融合提高了模型的稳定性和准确性.
• 这一框架为预测头癌的生存率提供了更可靠的工具.