人工智能辅助的部肌肉基础得分 (FUNC-RISK) 在头癌的开发和内部评估:试点研究

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:

• 准确的预后对于优化头癌 (HNC) 治疗至关重要.
• 从CT扫描中对宫肌肉参数的AI辅助分析显示,对预后评估有希望.

研究的目的:

• 开发和内部评估HNC的AI辅助生存风险评分 (FUNC-RISK).
• 为了利用从常规放射治疗规划CT扫描中自动量化的宫肌肉参数.

主要方法:

• 来自65名HNC患者的预治疗CT扫描的AI辅助自动细分.
• 骨肌指数 (SMI),肌内脂肪组织面积 (IMAT) 和平均肌肉衰减 (HU) 的量化.
• 使用多变量考克斯回归模型开发FUNC-RISK得分,并通过依赖时间的ROC曲线进行评估.

主要成果:

• SMI和IMAT与整体存活率有显著的关联;HU显示出边缘关联.
• 在FUNC风险得分方程:FUNC风险= (-0.364 × SMI) + (-0.087 × IMAT) + (0.011 × HU).
• 适度的模型歧视 (AUC=0.734在36个月,AUC=0.689在60个月). 在低风险 (71.9%) 和高风险 (39.4%) 组之间,五年生存率有显著差异.

结论:

• 人工智能衍生的FUNC-RISK得分显示了临床上有意义的HNC的预后分层的初步证据.
• 来自CT扫描的自动化身体成分分析可以提高HNC的个性化风险评估.
• 在临床实施之前,需要进行外部多中心验证.