用深度学习模型预测放射治疗结果,通过基线和适应模拟计算机断层扫描在患有喉癌的患者中
Kuo-Chen Wu1,2, Shang-Wen Chen3,4,5, Yuan-Yen Chang6
1Graduate Institute of Biomedical Electronics and Bioinformatics, National Taiwan University, Taipei 10617, Taiwan.
Cancers
|November 13, 2025
概括
这项研究开发了一个深度学习模型,使用CT扫描来预测经过适应性辐射疗法 (ART) 的喉癌患者的局部复发,部复发和远程转移. 该模型在预测治疗结果以改善患者护理方面表现有希望.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 适应性辐射疗法 (ART) 在临床放射治疗 (RT) 中越来越多地被采用.
- 喉癌需要精确的RT规划和结果预测.
- 深度学习 (DL) 提供了在RT中增强治疗结果预测的潜力.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于预测喉癌患者的治疗结果.
- 为了整合基线和适应性辐射疗法 (ART) 模拟CT图像用于模型训练.
- 预测局部复发 (LR),部淋巴结复发 (NR) 和远程转移 (DM).
主要方法:
- 分析了来自162名喉癌患者的临床和成像数据.
- 使用基线和ART非对比模拟CT图像用于模型训练.
- 使用深度对比学习模型与CT图像增强来预测LR,NR和DM.
主要成果:
- 在34个月的中位随访期间,LR,NR和DM分别发生在32.7%,22.2%和14.0%的患者中.
- 集成的DL模型实现了LR的曲线下的面积 (AUC) 为0.773,NR为0.747,DM为0.793.
- 对LR,NR和DM的预测准确率分别为72.4%,74.7%和75.7%.
结论:
- 开发的DL模型可以使用基线和ART模拟CTs预测喉癌患者的LR,NR和DM.
- 该模型显示了改善放射治疗治疗结果预测的潜力.
- 建议进行外部验证,以确认模型的通用性和性能.
