纵向深度学习模型用于跟踪卵巢癌的疾病进展,使用PET/CT成像和临床报告
Mohammad Hossein Sadeghi1, Sedigheh Sina2,3, Mehrosadat Alavi4
1Nuclear Engineering Department, School of Mechanical Engineering, Shiraz University, Shiraz, Iran.
Physical and engineering sciences in medicine
|November 10, 2025
概括
一个新的深度学习模型,OvarXNet,使用纵向PET/CT扫描和临床数据准确地预测高度血清性卵巢癌复发,改善早期检测和个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 高度血清性卵巢癌 (HGSOC) 是癌症相关死亡的主要原因,通常在晚期被诊断出来.
- 目前的复发预测方法缺乏检测微妙时间变化的能力,限制了早期干预.
- 来自PET/CT扫描和临床信息的纵向数据有可能提高预测准确性.
研究的目的:
- 评估OvarXNet的性能,这是一个新的深度学习框架,用于早期预测卵巢癌复发.
- 评估OvarXNet能够整合纵向PET/CT成像和临床数据的能力.
- 将OvarXNet的预测精度与现有的单个时间点模型进行比较.
主要方法:
- 一项对58名晚期HGSOC患者的回顾性研究,具有纵向[18F]FDG PET/CT扫描和临床数据.
- 开发OvarXNet,将3D CNN用于空间特征和双向GRU用于时间分析.
- 使用AUC,PR指标和校准图表进行性能评估,并提供可解释性的注意力机制.
主要成果:
- OvarXNet实现了0.92的AUC,超过了单个时间点CNN (0.84) 和LSTM (0.89) 模型.
- 精确回忆分析显示OvarXNet的性能优越 (PR-AUC>0.90),与单个时间点CNN (0.82) 相比.
- 校准图表显示了可靠的概率估计,注意力机制突出了关键的预测时间点.
结论:
- 通过使用纵向成像和临床数据,OvarXNet显著提高了晚期HGSOC早期复发预测.
- 该框架的高准确性和可解释性为指导个性化治疗策略提供了潜力.
- 这种深度学习方法代表了卵巢癌监测和管理的有希望的进步.
更多相关视频
08:50Longitudinal Morphological and Physiological Monitoring of Three-dimensional Tumor Spheroids Using Optical Coherence Tomography
Published on: February 9, 2019
8.2K
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
949
