通过瘤特征条件深度生成建模对3D剥离区域的患者特定预测:一个in silico可行性研究
Hyo-Jin Kim1, Truong Nhut Huynh2, Ji-Won Lee2
1KAIST InnoCORE PRISM-AI Center, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, 34141, Republic of Korea.
Computer methods and programs in biomedicine
|December 3, 2025
概括
这项研究引入了一种深度生成模型,用于使用MRI数据预测射频剥离 (RFA) 区域. 该模型准确地预测了不规则的剥离形状,改善了个性化癌症治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 射频除疗法 (RFA) 需要准确预测除区域的有效性.
- 当前的方法经常使用过于简单的模型,这些模型不考虑患者特定的癌症变异.
- 这限制了瘤学的个性化治疗策略.
研究的目的:
- 开发一个深层次的生成模型框架,用于预测体中的3D剥离区域.
- 以MRI衍生的瘤特征和电极放置为模型的条件.
- 提高RFA治疗计划的准确性和个性化.
主要方法:
- 在有条件的DCGAN框架内使用了一个基于U-Net的发电机.
- 该模型是从经过验证的数值模拟中对合成废弃数据进行训练的.
- 它结合了MRI衍生的癌症形态,并考虑了组织异质性.
主要成果:
- 该模型实现了高准确性,交叉对联 (IoU) 为90.92±3.54%.
- 预测是快速生成的 (在0.5秒以下).
- 该模型对未见的患者数据进行了强有力的概括.
结论:
- 以MRI特征为条件的深度生成建模可用于预测3D剥离区域.
- 这种方法允许对各种配置的治疗结果进行虚拟模拟.
- 它为个人患者提供了完善治疗策略的途径.
