基于多DECT图像的可解释模型,结合息地放射学和视觉转换器深度学习,用于在膀癌中预测肌肉入侵
Changyu Du1, Wei Wei1, Mengting Hu1
1Department of Radiology, First Affiliated Hospital of Dalian Medical University, Dalian, China (C.D., W.W., M.H., J.H., J.S., Y.L.).
Academic radiology
|August 31, 2025
概括
结合息地放射学和视觉变压器 (ViT) 的新型可解释深度学习模型有效地使用双能CT (DECT) 图像预测膀癌 (BCa) 的肌肉入侵. 这种方法有助于个性化治疗计划.
科学领域:
- 放射学和医学成像
- 医学的人工智能
- 癌症学
背景情况:
- 准确的手术前预测肌肉侵袭对于膀癌 (BCa) 治疗计划至关重要.
- 双能量CT (DECT) 提供定量成像参数,可以帮助评估瘤特征.
- 可解释深度学习 (DL) 模型对于临床决策支持越来越重要.
研究的目的:
- 评估基于多DECT图像的可解释模型,集成息地放射学和3D视觉转换器 (ViT),用于预测BCa的肌肉入侵.
- 将这个集成模型的性能与传统的放射学模型和单个DL模型进行比较.
- 评估开发模型的可解释性和临床实用性.
主要方法:
- 使用DECT数据对200名BCa患者进行了回顾性分析.
- 使用K-平均集群的息地放射学模型的开发.
- 使用虚拟单色图像 (VMIs) 构建和评估各种DL模型,包括3DViT和融合模型.
- 性能指标包括AUC,校准曲线,DCA,NRI和IDI;SHAP用于模型解释.
主要成果:
- 综合的 Habitat- ViT 模型取得了卓越的性能,培训队列中的 AUC 为 0. 997,测试队列中的 AUC 为 0. 892.
- 添加DECT定量参数并没有显著改善模型性能.
- 居住地-ViT模型展示了有利的净收益和强大的校准,SHAP为其决策过程提供了洞察力.
结论:
- 基于多DECT图像的可解释模型整合了息地放射学和ViT DL,对BCa肌肉入侵的术前预测有显著的希望.
- 这种方法可以为个性化治疗策略和预后评估提供有价值的见解.
- 该模型的可解释性提高了其临床采用潜力.
