基于PET/CT的深度学习模型预测SBRT后早期NSCLC的远程转移:一项多中心研究
Lu Yu1, Shenlun Chen2, Junyi Li3
1Department of Radiology, Key Laboratory of Cancer Prevention and Therapy, Tianjin Medical University Cancer Institute & Hospital, Tianjin's Clinical Research Center for Cancer, National Clinical Research Center for Cancer, Tianjin, China; Department of Radiation Oncology, Key Laboratory of Cancer Prevention and Therapy, Tianjin Medical University Cancer Institute & Hospital, Tianjin's Clinical Research Center for Cancer, National Clinical Research Center for Cancer, Tianjin, China.
使用18F-FDG PET/CT图像的新型深度学习模型准确地预测了在接受立体体辐射疗法 (SBRT) 的早期非小细胞肺癌 (NSCLC) 患者的远程转移风险. 这种融合模型有助于个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 远程转移 (DM) 是对早期非小细胞肺癌 (NSCLC) 的刻板体体辐射疗法 (SBRT) 后的主要复发模式.
- 在治疗前准确预测DM风险对于有效的患者管理和治疗策略选择至关重要.
研究的目的:
- 开发和验证使用18F-FDG PET/CT成像的深度学习融合模型.
- 预测SBRT治疗的早期NSCLC患者远程转移 (DM) 的风险.
主要方法:
- 566名患者的队列被分为训练,内部测试和外部测试集.
- 从CT,PET和合并的PET/CT图像中提取深度学习特征,使用变异自编码器.
- 使用完全连接的网络构建了无转移生存 (MFS) 预后模型.
主要成果:
- 与单独的CT或PET模型相比,深度学习融合模型实现了优异的预测性能 (C指数:0.864培训,0.819内部,0.782外部).
- 该模型有效地将患者分为高风险和低风险组,MFS显著不同.
- 融合模型被确定为MFS的独立预后因素.
结论:
- 基于深度学习的18F-FDG PET/CT融合模型为在接受SBRT的早期NSCLC患者中预测DM风险和MFS提供了强大的方法.
- 这种预测工具可以提供客观数据,以支持个性化治疗规划和决策.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
