多任务深度学习用于转移性卵巢癌的自动图像细分和治疗反应评估

科学领域:

• 医学成像
• 人工智能
• 癌症学

背景情况:

• 高度血清性卵巢癌 (HGSOC) 是复杂的,通常在晚期发现.
• 术后的新辅助化疗 (NACT) 是一种常见的治疗方法,但由于瘤异质性,评估反应是具有挑战性的.

研究的目的:

• 开发和验证多任务深度学习方法,同时对转移性卵巢癌进行细分和治疗反应评估.
• 为了比较治疗前和后的对比增强计算机断层扫描 (CE-CT) 扫描,以评估化疗的有效性.

主要方法:

• 开发了一种利用两个U-Net架构的多任务深度学习模型.
• 该模型整合了多个尺度的特征,用于同时细分盆腔/卵巢和部病变.
• 在99名卵巢癌患者的198个CE-CT扫描中进行了培训,用于细分和响应预测.

主要成果:

• 在49名患者的独立队列中达到0. 78的曲线下面面积 (AUC).
• 细分性能 (Dice分数) 与HGSOC细分的最先进方法可比.
• 在多个疾病部位评估化疗诱导的瘤变化的可行性.

结论:

• 这是第一个显示多任务深度学习方法可以评估化学疗法诱导的复杂多部位HGSOC的瘤变化.
• 开发的模型显示了对卵巢癌患者治疗反应评估和疾病监测的潜力.