一个可解释的基于CT的深度学习模型,用于预测膀癌患者的整体存活率:一个多中心研究

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:

• 预测膀癌的存活率很困难,目前的治疗方法.
• 准确预测整体存活率对于指导临床决策至关重要.

研究的目的:

• 开发和验证一个可解释的深度学习模型 (BCDL) 用于使用手术前CT扫描预测膀癌患者的生存率.
• 评估BCDL模型与现有模型的性能,并确定关键的预测特征.

主要方法:

• 在765名患者身上训练了一种深度学习模型,并在三个独立队列 (438,181,72) 上进行了验证.
• 通过识别像素级特征来解释模型预测,使用了SHapley添加式扩展 (SHAP) 方法.
• 根据BCDL分数,患者被分为高风险和低风险组.

主要成果:

• 在预测生存风险方面,BCDL模型表现出卓越的性能.
• 辅助治疗显著改善了高风险患者 (p=0.028) 和低风险女性 (p=0.046) 的整体存活率.
• RNA测序揭示了不同的基因表达模式,高风险患者的免疫抑制微环境,以及改变的微生物组成.

结论:

• 可解释的BCDL模型准确地从CT扫描中预测了膀癌生存风险.
• 该模型通过分层患者和识别那些从辅助治疗中受益的人来支持个性化治疗策略.
• 研究结果强调了人工智能在改善膀癌管理的临床决策方面的潜力.