深度学习生存模型的可变性和多机构概括性的实证评估:用于癌CT扫描的应用
Brennan Flannery1, Thomas DeSilvio1, Mohsen Hariri2
1Case Western Reserve University, Department of Biomedical Engineering, 10900 Euclid Ave, Cleveland, OH 44106, USA.
Computers in biology and medicine
|March 10, 2026
概括
使用CT扫描优化癌的深度学习生存模型需要仔细的数据分区和增强. 同变量平衡分区和联合增强显著提高了外部验证中的预测准确性和概括性.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 对生存分析的分析.
背景情况:
- 深度学习生存 (DLS) 模型对患者结果预测有希望,但在医学成像方面尚未得到充分探索.
- 对DLS模型的通用化,特别是对外部队列中持续生存结果的通用化,仍然是一个挑战.
- 方法选择显著影响DLS模型的性能和可靠性.
研究的目的:
- 系统地检查数据分区,排序,初始化和增强对基于CT的DLS模型对癌的概括的影响.
- 通过使用医学成像数据,确定开发可靠和可泛化的DLS模型的最佳策略.
- 使用一致性指数 (c-index) 和危险比率 (HR) 评估模型性能.
主要方法:
- 组建了一个多机构CT队列 (525名患者) 来自TCGA-KIRC,TCGA-KICH,TCGA-KIRP和KITS19.
- 训练了一个3D ResNet-18模型,使用Cox损失函数来预测整体生存率.
- 评估策略包括随机与共变量平衡分区,数据排序,模型初始化和各种图像增强.
主要成果:
- 与随机分区 (c-index 0.56, HR 0.29) 相比,共变量平衡数据分区实现了优异的外部验证性能 (c-index 0.74, HR 5.08).
- 模型初始化显著影响了平均性能和差异;数据排序的影响最小.
- 综合增强产生了最好的外部验证结果 (c指数+4.76%,HR+44.39%),附加高斯噪声是最具影响力的个人增强.
结论:
- 仔细选择数据分区,重量初始化和图像增强策略对于医疗成像中的强大的DLS模型至关重要.
- 同变量平衡分区和综合增强增强了基于CT的DLS模型用于癌生存预测的概括性.
- 这些发现为开发可靠的深度学习工具提供了关键的见解,用于个性化癌症预后.
