基于深度学习[F]-FDG-PET/CT算法,用于在接受免疫治疗的转移性黑色素瘤患者中估计瘤负担

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:

• 人工智能 (AI) 在放射性瘤学中的应用正在扩大,但使用AI估计瘤负担仍未得到充分探索.
• 深度学习模型有可能提高癌症成像诊断的准确性.

研究的目的:

• 评估深度学习模型,PET辅助报告系统 (PARS) 的性能,用于病变检测,细分和瘤负担估计.
• 在接受免疫治疗的转移性黑色素瘤患者中评估基于[18F]-FDG-PET/CT的AI的实用性.

主要方法:

• 在免疫治疗前接受[18F]-FDG-PET/CT的165名IV期黑色素瘤患者的回顾性分析.
• 用PARS细分的总瘤体积与放射瘤学家的手动划分进行比较.
• 评估病变检测指标 (精度,回忆),个别病变体积协议和整体瘤负担估计的准确性.

主要成果:

• 帕斯的回忆率为68.9%,但精度为46.8%,性能因病变位置 (如肺和骨头) 不同.
• PARS倾向于低估个体损伤量 (中位数相对差异-34.3%) 与良好的协议 (ICC=0.77).
• 在全球范围内,整体瘤负担被高估了 (28.3%),但患者层面的估计显示低估 (中位数-18.4%),变化很高,一致性差 (ICC=0.28).

结论:

• 帕斯人工智能模型在病变检测和体积估计方面表现出适度的准确性,这表明治疗决策支持的潜力.
• 瘤负担估计的显著变化需要进一步开发模型,以便在转移性黑色素瘤管理中可靠的临床采用.