通过使用深度学习模型与手术前MRI和临床病理数据来提高局部晚期直肠癌病理下降阶段的预测准确度

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 在局部晚期直肠癌 (LARC) 中预手术评估治疗反应与传统方法相比具有挑战性.
• 深度学习 (DL) 在癌症诊断和使用医学成像预测结果方面表现有前途.
• 新辅助化学辐射疗法 (CRT) 是LARC的标准治疗方法,预测反应至关重要.

研究的目的:

• 在LARC中开发和验证DL模型,用于预测新辅助CRT后的病理T (pT) 下降阶段.
• 将手术前T2加权的MRI与放射学和临床病理学数据相结合,以提高预测.
• 评估模型在预测治疗反应方面的表现.

主要方法:

• 对318名LARC患者的回顾性研究,分为培训和内部/外部测试集.
• 构建DL模型,将T2加权的MRI与放射学和临床病理学特征相结合.
• 使用接收器操作特征 (ROC) 分析和DeLong的测试进行性能评估.

主要成果:

• 组合DL模型 (临床病理学+T2加权MRI,MRI特征+T2加权MRI,所有组合) 在内部和外部测试集中都显示出优异的性能.
• 组合模型的曲线下的面积 (AUC) 从0.800到0.817 (内部) 和0.802到0.810 (外部) 之间.
• 组合模型的表现明显优于仅使用T2加权的MRI模型 (P < 0.05).

结论:

• 结合DL模型表明,在新辅助CRT后,在LARC中对pT下降阶段的强有力的预测能力.
• 核磁共振特征+T2加权核磁共振模型即使没有临床病理学数据,也取得了良好的性能.
• 这些发现支持使用DL模型来更好地预测LARC的治疗反应.