在NSCLC中使用人工智能生成的输液和通风来预测放射性肺炎的功能性多组学早期预测,从规划CT CT开始

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医学物理 医学物理

背景情况:

• 辐射性肺炎 (RP) 是胸部放射治疗的重要副作用.
• 准确预测RP对于优化治疗计划和患者结果至关重要.
• 当前的预测模型往往缺乏功能性肺信息的整合.

研究的目的:

• 开发一个基于功能的多omics模型,用于RP的早期预测.
• 从功能性定义的肺部区域 (高功能肺 - HFL,低功能肺 - LFL,整个肺 - WL) 中提取放射性和剂量学特征.
• 评估RP不同模型 (辐射组学,剂量组学,双组学) 的预测性能.

主要方法:

• 对121名接受IMRT治疗的局部晚期非小细胞肺癌 (NSCLC) 患者的回顾性分析.
• 从使用深度学习和超声素方法的预治疗CT生成输液 (Q) 和通风 (V) 地图.
• 从PTV与HFL,LFL和WL区域相结合提取放射性和剂量原子特征.
• 使用13个机器学习算法和10倍交叉验证,构建和评估放射学 (R),剂量学 (D) 和双氧学 (RD) 模型.

主要成果:

• 与全肺 (WL) (AUC 0.778) 相比,HFL的特征显著改善了双奥米克模型中的RP预测 (AUC 0.879).
• 使用HFL特征的双奥米克 (RD) 方法单独优于放射性奥米克 (R) (AUC 0.786) 和剂量奥米克 (D) (AUC 0.791).
• 决策曲线分析表明,基于HFL的双-omics模型提供了最高的净收益.

结论:

• 由CT衍生的HFL特征捕捉了关键的功能差异,为RP提供了强大的预测价值.
• 整合放射学,剂量学和基于CT的功能信息可以提高RP预测的准确性.
• 这种基于功能的多omics方法为NSCLC的个性化放射治疗提供了一个有前途的策略.