在超分辨率MRI上进行可解释的融合深度学习,用于预测胰腺管道腺癌中的围神经侵入:一项多中心研究

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:

• 胰腺管腺癌 (PDAC) 在手术前评估中提出了重大挑战.
• 围神经侵入 (PNI) 是PDAC的关键预后因素,但其准确的检测仍然很困难.
• 目前用于PNI的诊断方法往往缺乏足够的灵敏度和特异性.

研究的目的:

• 开发一种可解释的融合深度学习模型,用于使用超分辨率 (SR) 核磁共振 (MRI) 在PDAC中预测术前PNI.
• 评估该模型在指导术后预后分层和治疗决策方面的有用性.
• 在PDAC管理中增强个性化的精准医学方法.

主要方法:

• 一项多中心回顾性研究,涉及714名PDAC患者.
• 开发一个融合临床-放射学-深度转移学习 (FCDR) 模型,整合SR-MRI成像,放射学和临床数据.
• 使用开发,内部和外部数据集验证FCDR模型,并通过七个机器学习算法进行优化.

主要成果:

• FCDR模型在PNI预测中表现出很高的表现,AUC高达0.929,优于单个模型.
• 该模型有效地将患者分为高风险组,与较差的整体存活率 (OS) 和无复发存活率 (RFS) 相关.
• 根据FCDR模型确定的高风险PNI子组显示了辅助疗法的显著益处,由SHAP分析证实了可解释性.

结论:

• 可解释的融合模型是PDAC中PNI评估的有效工具.
• 该模型有助于预后分层和定制辅助疗法,支持个性化医疗.
• 这种非侵入性方法有望改善PDAC患者的治疗结果.