基于对比度增强CT的多通道深度学习放射学模型,用于预测喉癌的术后预后

科学领域:

• 无线电学和深度学习
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 准确的预后和风险分层对于喉癌治疗决策至关重要.
• 目前的方法需要提高精确的患者管理.

研究的目的:

• 开发一种使用对比增强计算机断层扫描 (CECT) 的多通道深度学习放射学模型,用于预测喉癌患者的术后整体存活率 (OS).
• 创建一个集成的深度学习放射学诺米克图 (DLRN) 进行增强的预后预测.

主要方法:

• 来自两个中心的272名喉癌患者的回顾性分析 (培训:156,外部测试:116).
• 使用特征选择技术 (可重复性,斯皮尔曼相关性,LASSO) 从CECT构建放射学和深度学习成像签名.
• 使用机器学习算法开发和验证DLRN,通过AUC,校准曲线和DCA进行评估.

主要成果:

• 在外部测试队列中,DLRN表现出强大的预后性能,其1年,2年和3年的AUC分别为0.74,0.75和0.80.
• 该模型的C指数为0.73,表现优于单个模型,并通过DCA显示出优异的校准和临床实用性.
• 在各种子组中观察到一致的表现,包括临床阶段,年龄组和手术方式.

结论:

• 多通道深度学习放射学模型显示,在喉癌中预测OS显著有前途.
• 这种方法可以促进个性化风险分层,并支持喉癌患者的临床决策.