一种基于CT的深度学习放射学模型,用于预测HER2表达和预后,用于非肌肉侵入性膀癌
Tian Jin1, Huanrui Liu1, Senlin Li1
1Department of Urology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Biomarkers in medicine
|November 24, 2025
概括
这项研究开发了一种深度学习的放射性临床特征模型,用于预测非肌肉侵入性膀癌 (NMIBC) 患者的人体外皮生长因子受体-2 (HER2) 表达和无复发生存率.
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:
- 非肌肉侵入性膀癌 (NMIBC) 需要准确的方法来预测人类外皮生长因子受体-2 (HER2) 表达和患者预后.
- 当前的预测模型可能无法完全整合各种数据类型以获得最佳性能.
研究的目的:
- 开发和验证一个整合放射学 (Rad),深度学习 (DL) 功能和临床数据的模型,以预测NMIBC中的HER2表达.
- 在NMIBC患者中评估DL和Rad评分对无复发生存 (RFS) 的预后价值.
主要方法:
- 对181名NMIBC患者的手术前CT扫描进行了回顾性分析.
- 开发一个深度学习无线电临床签名 (DLCS) 模型,将DL分数,Rad分数和临床病理特征结合起来.
- 将DLCS模型的性能与独立DL,Rad和临床模型进行HER2预测的比较;用于RFS分析的Cox回归.
主要成果:
- DLCS模型在测试队列中预测HER2表达的准确性很高 (AUC = 0.894).
- 无论是DL得分还是Rad得分都被确定为RFS的独立风险因素 (p < 0.05).
结论:
- DLCS模型显示了在NMIBC中预测HER2表达的巨大潜力.
- 开发的预后模型有效地分层了NMIBC患者瘤复发的风险.
