一个综合放射学和基于CT的深度学习的预后模型,用于预测喉状细胞癌的存活率

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的预后预测对于喉状细胞癌 (LSCC) 的个性化治疗至关重要.
• 目前的预后模型可能无法完全捕捉LSCC进展的复杂性.
• 整合不同的数据源可以提高预测准确性.

研究的目的:

• 开发和验证LSCC患者无复发生存期 (RFS) 的综合预后模型.
• 利用临床因素,放射学和深度学习 (DL) 来改善预后预测.
• 为了比较一个组合模型与单个模型的性能.

主要方法:

• 在两个中心对349名LSCC患者的回顾性招生.
• 使用考克斯回归的综合预后模型的开发,整合临床因素,放射学得分 (RS) 和深度学习得分 (DLS).
• 使用内部和外部测试集对模型进行验证,使用名图图形化和卡普兰-梅尔分析进行风险分层.

主要成果:

• 综合模型在内部 (0.810对0.634,0.679,0.727) 和外部 (0.742对0.602,0.617,0.729) 测试中,与临床,放射学和DL-only模型相比,具有更高的C指数的优异预测性能.
• 基于诺米图的风险分层显著差异化了生存结果,低风险组呈现出更高的RFS (内部:HR=0.157,p<0.001;外部:HR=0.312,p=0.003).

结论:

• 拟议的组合模型为预测LSCC患者的RFS提供了可靠和准确的方法.
• 这种综合模型有可能在临床风险分层方面发挥重要作用,并指导个性化治疗策略.
• 临床数据,放射学和深度学习的协同作用为癌症预后提供了一个强大的框架.