基于CT的息地放射学结合多实例学习,用于预测食道状细胞癌后的淋巴结转移
Qinghe Peng1,2, Shumin Zhou3, Runzhe Chen2
1Guangdong Esophageal Cancer Institute, Sun Yat-sen University Cancer Center, Guangzhou 510060, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
一个新的放射性模型准确地预测新辅助治疗后食道癌患者的淋巴结转移. 这种工具有助于优化食道状细胞癌 (ESCC) 的治疗策略.
科学领域:
- 癌症学
- 放射学
- 医学成像
背景情况:
- 在新辅助疗法 (NAT) 后准确预测淋巴结转移对于优化食道状细胞癌 (ESCC) 治疗至关重要.
- 目前的方法在预测LNM后NAT可能缺乏精度.
研究的目的:
- 开发和验证基于计算机断层扫描 (CT) 的放射性模型,用于预测ESCC患者NAT后的LNM.
- 评估模型在指导个性化治疗决策中的表现.
主要方法:
- 对469名ESCC患者的回顾性分析,分为训练 (n=328) 和测试 (n=141) 队列.
- 三种特征的开发:基于瘤息地 (Habitat_Rad),基于多个实例的学习 (MIL_Rad) 和临床放射学 (Clinic).
- 构建一个结合的放射性名录集成开发的签名.
主要成果:
- 综合放射性基因图表的预测准确度很高,在训练队列中AUC为0. 929和测试队列中为0. 852.
- 与个人签名相比,该名录显示出更高的性能.
- 决策曲线分析证实了显著的临床益处,表明了临床效用.
结论:
- 开发的基于CT的放射性名图是预测NAT后ESCC患者的LNM的一个有希望的工具.
- 这种模式可以帮助及时调整ESCC的治疗策略.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
