一个多维的深层集体学习模型预测了从预治疗CT成像中用新辅助化学放射治疗治疗的食道状细胞癌的病理反应和结果:一项多中心研究

科学领域:

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

背景情况:

• 新辅助化学放射治疗 (nCRT) 随后的食道切除术是局部发达食道状细胞癌 (ESCC) 的标准.
• 在接受nCRT的ESCC患者中预测病理完整反应 (pCR) 和治疗结果具有挑战性.
• 准确的预测对于定制治疗策略和改善患者预后至关重要.

研究的目的:

• 开发和验证使用预处理CT成像的深度合体学习模型 (DELRN).
• 预测接受nCRT的ESCC患者的pCR和分层预后风险.
• 评估模型在歧视,校准和临床实用性方面的表现.

主要方法:

• 这是一项多中心的回顾性队列研究,涉及485名ESCC患者.
• 从预处理CT图像中开发一个多维深层集体学习模型 (DELRN),集成放射学和3D卷积神经网络.
• 在发现,内部和外部队列中验证;使用Kaplan-Meier分析评估整体存活率 (OS) 和无病存活率 (DFS).

主要成果:

• 德尔恩模型在所有队列中显示出强大的pCR预测 (AUC从0.767到0.943不等),优于单域模型.
• 德尔恩有效地将患者分为OS和DFS高风险和低风险组 (日志排名P<0.05).
• 多变量分析证实DELLRN是OS和DFS的独立预后因素.

结论:

• 德尔恩模型显示出作为预测ESCC中nCRT反应的非侵入性工具的显著临床潜力.
• 它使个性化治疗策略成为可能,并改善临床决策.
• 建议在未来进行前性多中心验证.