根据深度学习和放射学特征融合的基础,对低喉状状细胞癌的化学放射疗法敏感性进行分类
Hengmin Tao1,2,3, Xinbo Yang4, Meihui Chen5
1Tianjin Medical University Cancer Institute and Hospital, National Clinical Research Center for Cancer, Key Laboratory of Cancer Prevention and Therapy, Tianjin's Clinical Research Center for Cancer, Tianjin, China.
Translational cancer research
|September 15, 2025
概括
一个结合深度学习和放射学从显微扩散系数 (ADC) 图像的新模型准确地预测化学放射疗法 (CRT) 响应在下甲状腺皮细胞癌 (HPSCC) 患者,帮助治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 在下支状状细胞癌 (HPSCC) 中,化学放射治疗 (CRT) 响应预测对于优化患者治疗至关重要.
- 表面扩散系数 (ADC) 成像显示在预测治疗结果方面具有前景.
- 减少治疗风险需要准确的治疗前反应评估.
研究的目的:
- 开发一个预测模型,将ADC图像中的深度学习和放射学特征集成.
- 在HPSCC患者中预测化疗放射治疗 (CRT) 敏感性.
- 为选择有效的治疗策略提供指导.
主要方法:
- 追溯分析120名HPSCC患者的数据.
- 使用视觉变压器 (ViT) 模型和通过PyRadiomics的放射学功能提取深度学习功能.
- 使用斯皮尔曼相关性,ICC和LASSO进行特征选择,然后与CNN进行融合和分类.
主要成果:
- 功能融合模型实现了高性能 (准确率为0.99,训练时AUC为1,000;准确率为0.988,验证时AUC为0.947).
- 融合模型在验证数据集中表现优于临床和放射性模型.
- 与临床模型相比,精度提高了16.7%,与放射性模型相比,精度提高了4.2%.
结论:
- 一个新的模型整合深度学习和放射学特征从预处理ADC图像准确预测CRT在HPSCC的灵敏度.
- 该模型为指导治疗策略选择提供了有价值的工具.
- 提高预测准确度可以导致更个性化,更有效的癌症治疗.
