基于深度学习和放射学的风险分层的开发和验证,以预测晚期宫癌的存活率

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 晚期子宫癌 (aCC) 由于预后不佳而构成重大挑战.
• 准确预测整体存活率对于aCC患者的有效治疗计划至关重要.

研究的目的:

• 开发和验证基于深度学习的风险分层模型,用于预测aCC患者的整体存活率.
• 将CT图像的放射性特征与临床变量集成为一个全面的预后工具.

主要方法:

• 使用396名aCC患者的治疗前CT图像开发了一种结合视觉转换器 (ViT) 和循环神经网络 (RNN) 的深度学习模型.
• 一个预后放射性信号 (Rad-score) 被生成并纳入一个具有临床变量的Cox比例危险模型,以创建一个整合性名录.
• 使用一致性指数 (C指数),ROC分析,校准曲线和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 雷德评分被确定为一个独立的预后因素 (HR=4.06,p<0.001).
• 综合性名谱显示出强大的预测性能,C指数为0.784 (培训) 和0.726 (验证).
• 该模型有效地区分高风险和低风险患者组 (p<0.001) 并显示出良好的临床效用.

结论:

• 开发的基于深度学习的nomogram是一种非侵入性,可复制的工具,用于预测晚期宫癌的生存率.
• 这个模型有可能帮助临床医生为aCC患者制定个性化治疗策略.
• 在临床广泛采用之前,建议进行进一步的前性多中心验证.