基于MRI的非侵入性多式融合深度学习模型 (MF-DLM) 用于预测膀癌的整体存活率:一个多中心的回顾性研究

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:

• 准确的预后预测对于个性化膀癌 (BCa) 治疗至关重要.
• 现有的方法往往缺乏精度,需要新的方法.
• 非侵入性预测模型对于患者管理是非常理想的.

研究的目的:

• 开发和验证一种非侵入性模型,用于预测BCa患者的整体存活率 (OS).
• 利用磁共振成像 (MRI) 数据进行预后预测.
• 创建一个多式融合深度学习模型 (MF-DLM),集成各种数据类型.

主要方法:

• 追溯多中心研究涉及1131名BCa患者.
• 开发一个多式融合深度学习模型 (MF-DLM),集成3D深度学习功能,放射学,形态MRI和临床数据.
• 使用培训,内部验证和外部测试集进行模型验证;通过SHAP和Grad-CAM评估可解释性.

主要成果:

• 与病理T阶段相比,MF-DLM在所有组中都显示出更高的OS预测性能 (C指数:0.902培训,0.864验证,0.841外部测试).
• 基于MF-DLM的风险分层与OS有显著的相关性 (p < 0.001),并确定了受益于辅助和新辅助治疗的患者.
• 患有病态T3/4BCa的高风险患者与辅助疗法或没有辅助疗法没有显著的OS差异,而与低风险患者不同的是,辅助疗法改善了OS (p = 0.0059).

结论:

• MF-DLM可靠地预测BCa患者的OS,提供超越传统分期的预后分层.
• 该模型确定了那些可能从外科手术期间治疗中受益最多的患者.
• 这种非侵入性方法增强了膀癌的个性化治疗策略.