通过转移学习使用CT图像预测头癌的结果
Wenzhe Zhao1, Xin Huang1, Lei Xu2
1Department of Radiology, The First Affiliated Hospital of Xi'an Jiaotong University, No.277 Yanta West Road, Xi'an, Shaanxi, 710061, China.
BMC medical imaging
|October 14, 2025
概括
一个新的深度学习框架OPHN-Net使用CT扫描准确预测头癌的复发和存活率. 这种转移学习方法增强了个性化的治疗策略,并改善了患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 头部和部 (H&N) 癌症在术前风险分层方面存在挑战,尽管有积极的治疗,但生存率不佳.
- 深度学习模型对结果预测有希望,但需要广泛的数据集,阻碍临床应用.
研究的目的:
- 开发一个数据效率高的转移学习框架 (OPHN-Net) 来从计算机断层扫描 (CT) 图像中预测H&N癌症治疗结果.
- 准确预测局部区域复发 (LR),远程转移 (DM) 和整体存活率 (OS).
主要方法:
- 使用了在ImageNet上预训练的VGG16架构,用于OPHN-Net框架.
- 采用随机平面视图重新抽样方法进行数据增强,以解决数据限制和类不平衡.
- 在癌症成像档案的公共数据集上训练并验证了该模型,该数据集包括四个机构296名患者的CT图像和临床数据.
主要成果:
- 在独立的测试队列中,OPHN-Net在预测LR,DM和OS方面超过了传统的放射学和先前的深度学习模型.
- 仅使用成像数据,LR的AUC为0.84,DM为0.89和OS为0.79.
- 结合成像预测和临床特征的综合模型进一步提高了性能,LR的AUC为0.87,DM为0.91,OS为0.86.
结论:
- OPHN-Net框架提供了一种可靠且数据效率高的方法,用于使用非侵入性CT图像预测H&N癌症治疗结果.
- 将基于成像的预测与临床数据相结合,可以提高预后准确度,促进个性化治疗分层.
- 这种方法有可能改善H&N癌症管理中的临床决策和患者结果.
