一种可解释的深度模型,用于风险评分和精确的放射性瘤识别,用于脑转移后的立体性放射性手术

科学领域:

• 神经瘤学神经瘤学
• 医学成像医学成像
• 人工智能的人工智能是人工智能.

背景情况:

• 在大脑转移患者中改善存活率需要精确区分局部复发 (LR) 和放射性死 (RN).
• 针对非小细胞肺癌 (NSCLC) 大脑转移的立体射线外科手术 (SRS) 在治疗后区分LR与RN方面存在挑战.

研究的目的:

• 开发一种可解释的深度学习 (DL) 模型,用于在SRS后的NSCLC患者中非侵入性地区分RN和LR.
• 整合多模式数据,包括MRI,临床和基因组特征,以提高诊断准确度.

主要方法:

• 设计了一个用于动态输入进化跟踪的Heavy-Ball神经常规微分方程 (HBNODE) DL框架.
• 将MR,临床和基因组特征整合到一个统一的图像-基因组-临床 (I-G-C) 空间中.
• 应用层级相关性传播 (LRP) 来量化特征贡献和确定关键特征 (年龄,ALK,PD-L1状态) 的风险评分模型.

主要成果:

• 基于年龄,ALK和PD-L1状态的风险评分模型显示,与使用未加权特征或仅使用MRI的模型相比,其表现优越.
• 结合风险评分的HBNODE模型在所有评估指标上实现了最佳性能.
• LRP分析量化了个别非成像特征对诊断结果的影响.

结论:

• 从非成像特征获得的风险评分提供了一个快速简单的方法来区分RN和LR.
• 在HBNODE模型中将这种风险得分与MRI集成,提高了预测性能,并保持了可解释性.
• 开发的模型显示了作为管理大脑转移的临床决策辅助工具的潜力.