使用基于多参数MRI的深度转移学习模型进行侵袭性子宫内膜癌的术前预测

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:

• 准确的术前预测子宫内膜癌 (EC) 攻击性对于量身定制患者治疗至关重要.
• 当前的方法可能无法完全捕捉EC进步的细微差别.
• 多模式数据集成为提高预测准确性提供了一个有希望的途径.

研究的目的:

• 开发和验证一种深度学习 (DL) 模型,用于使用手术前多参数磁共振成像 (mpMRI) 预测EC攻击性.
• 研究将DL提取的特征与临床数据相结合的疗效,以改善预测.
• 创建一个非侵入性工具,以帮助EC患者个性化治疗规划.

主要方法:

• 对207名EC患者进行手术前mpMRI (T2WI,DWI,ADC,CE-T1WI) 的回顾性分析.
• 使用深度转移学习 (DTL) 模型 (ResNet50,ResNet101,DenseNet121) 来从MRI序列中提取特征.
• 应用了融合策略来整合多序MRI数据,随后构建了一个结合的临床-DTL模型.

主要成果:

• 合并T2WI,ADC和CE-T1WI数据的最佳DTL模型实现了高预测性能 (AUC训练:0.963,AUC测试:0.925).
• 结合的临床-DTL模型显示出卓越的预测能力 (AUC训练:0.972,AUC测试:0.950).
• 决策曲线和校准分析证实了该模型的临床实用性和适合性.

结论:

• 多参数MRI与深度学习相结合,显示出在手术前预测EC攻击性的巨大潜力.
• 整合临床变量进一步提高了DTL模型的预测性能.
• 这种非侵入性方法支持对子宫内膜癌的个性化治疗策略.