基于CNN的预测,使用早期放射治疗后的MRI作为在小鼠头部和子中毒性的代理

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 临床前辐射研究研究.

背景情况:

• 头癌放射治疗 (RT) 可能导致严重的毒性.
• 早期识别有风险的个体对于个性化治疗策略至关重要.
• 预测辐射诱导的后RT组织变化对于管理毒性至关重要.

研究的目的:

• 评估卷积神经网络 (CNN) 在预测辐射诱导的组织变化的有效性,使用早期辐射后磁共振 (MR) 图像.
• 在小鼠模型中评估CNN预测与特定毒性终点之间的相关性.
• 通过分析用于预测的感兴趣区域来验证模型可解释性.

主要方法:

• 29只小鼠在头部和部地区接受了分成的RT.
• 在辐射后3-5天获得T2加权的MR图像.
• 训练CNN模型 (VGG,MobileNet,ResNet,EfficientNet) 来分类受辐射与对照组织切片;预测与毒性终点相关联,并使用VarGrad热图评估可解释性.

主要成果:

• EfficientNet B3模型实现了83%的切片级准确度,正确分类了29只小鼠中的28只.
• 照射类的更高预测概率与多种毒性终点有很强的相关性,包括口腔粘膜炎,皮肤炎,唾液产量减少和唾液腺纤维化/缩.
• 可解释性热图证实,CNN专注于临床相关的辐射区域.

结论:

• 应用于早期辐射后MRI图像的CNN显示在辐射组织的分类中具有很高的准确性.
• 美国有线电视新闻网 (CNN) 预测与观察到的毒性之间的强烈相关性表明了早期风险识别的潜力.
• 这种结合CNN和MR成像的方法可能有助于识别患有辐射诱导毒性风险的个人.