深度学习模型使用增强对比度的CT来预测口腔状细胞癌的整体存活率:一项前性多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 精确的风险分层对口腔状细胞癌 (OPSCC) 的整体存活率 (OS) 对于个性化治疗至关重要.
• 目前OPSCC的预后工具往往缺乏准确性和非侵入性.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于估计OPSCC患者的OS,使用对比增强计算机断层扫描 (CECT).
• 评估DL模型在OPSCC中风险分层的临床实用性和准确性.

主要方法:

• 基于Swin Transformer V2的DL模型使用来自269名OPSCC患者的CET数据在培训,内部和外部验证队列中开发.
• 综合了临床,语义CT和放射性特征,并使用SHAP值和Grad-CAM评估了模型的解释性.
• 使用C指数,时间依赖ROC分析,校准和决策曲线分析来评估性能.

主要成果:

• 深度学习临床签名 (DLCS) 显示出强的表现,C指数为0.856 (内部) 和0.783 (外部).
• DLCS提供了准确的1年,3年和5年的OS预测,强大的校准和临床益处,有效地将患者分为高风险和低风险组.
• 该模型在HPV亚组中保持了预测一致性.

结论:

• 基于CECT的DLCS提供了一种可靠且非侵入性的方法,用于OS预测和OPSCC中的风险分层.
• 这种DLCS支持个性化的临床决策,提高精确瘤学,并优化OPSCC患者的治疗策略.