在使用PET/CT的肺癌患者的放射性肺炎预测中整合深度学习和多omics功能
Yao Ai1, Weihua Ni1,2, Wanyu Su1,2
1Department of Radiation and Medical Oncology, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, 325000, China.
BMC medical imaging
|October 28, 2025
概括
这项研究表明,从PET/CT扫描中结合放射学,深度学习 (DL) 和剂量学特征,可以准确预测接受VMAT的肺癌患者的辐射肺炎 (RP). 开发的模型实现了高精度,为个性化治疗规划提供了有前途的工具.
科学领域:
- 医疗成像医学成像
- 放射治疗瘤学 放射治疗瘤学
- 人工智能在医学中的应用
背景情况:
- 辐射性肺炎 (RP) 是肺癌放射治疗的常见副作用.
- 准确预测RP对于优化治疗计划和改善患者结果至关重要.
- 卷度调制弧线疗法 (VMAT) 是用于肺癌的广泛使用的放射治疗技术.
研究的目的:
- 评估PET放射学特征的可行性和准确性,以预测RP.
- 评估PET放射学,CT放射学,dosiomics和深度学习 (DL) 功能的联合预测能力.
- 开发和验证使用VMAT治疗的肺癌患者的RP预测模型.
主要方法:
- 从预处理PET/CT图像 (CT,PET,合PET/CT) 中提取了放射性特征.
- 使用各种机器学习 (ML) 和深度学习模型 (例如XGBoost,Resnet-18) 提取了dosiomics特征和DL特征.
- 一个整合了表现最好的放射学,DL和剂量学特征的联合模型被开发并在两个队列 (n=206,n=27) 上验证.
主要成果:
- 综合放射学,剂量学和DL (R+D+DL) 模型实现了高的曲线下面积 (AUC) 值:0.93 (训练),0.92 (内部验证) 和0.89 (外部验证).
- 纳入临床因素 (性别,自适应性RT),剂量学 (SUVp90) 和ML得分 (XGBoost-score) 的名图,实现了RP预测的AUC为0.94.
- 极端梯度增强 (XGBoost) 和Resnet-18在模型开发中表现出卓越的性能.
结论:
- 整合放射学,DL和剂量学特征,以及SUVp90,显示出在VMAT治疗的肺癌患者中预测RP的显著前景.
- 开发的诺米图为个性化风险评估和治疗规划提供了有价值的工具.
- 基于PET/CT的放射学和DL提供了一种非侵入性的方法来提高RP预测的准确性.
