自动淋巴结和外节延伸评估改善了口腔瘤癌的风险分层

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:

• 外延伸 (ENE) 是口腔癌 (OPC) 中的一个关键预后生物标志物.
• 诊断ENE传统上需要手术病理学,限制其在预治疗环境中的使用.
• 准确的预处理风险分层对于优化OPC管理至关重要.

研究的目的:

• 评估AI预测的OPC中ENE节点数的预后值.
• 评估人工智能成像平台将淋巴结自分化与ENE预测集成的能力.
• 为了确定AI-ENE是否与现有模型相比改善了风险分层.

主要方法:

• 在三所机构对1733名OPC患者进行了回顾性研究,这些患者接受了终极放射治疗.
• 利用深度学习模型进行淋巴结自分化,以及在预治疗CT扫描上进行ENE预测的后续模型.
• 分析了AI预测的ENE节点数 (AI-ENE) 与远程控制 (DC) 和使用多变量考克斯回归的整体存活率 (OS) 之间的关联.
• 通过将AI-ENE纳入RTOG-0129和AJCC第八版分期,评估了风险分层的改进.

主要成果:

• AI-ENE节点数独立地与较差的直流 (HR 1.44) 和操作系统 (HR 1.30) (P < .001) 相关.
• 增加的AI-ENE节点数量显示出与更糟糕的结果的增量关联,特别是DC.
• 将AI-ENE纳入RTOG-0129分组和AJCC-8分期 (P <.001) 时,改善了OS和DC的C指数.
• 风险分层的改善在HPV阴性患者中最为显著.

结论:

• 自动化AI-ENE节点号码是OPC的一个新且重要的风险因素.
• AI-ENE提供了一种有价值的工具,可以提高OPC的治疗前风险分层和临床决策.
• 这种人工智能方法可能有助于个性化治疗策略的口腔癌患者.