面具意识基本模型嵌入用于多发性髓瘤中的18F-FDG-PET/CT预后
Javier Guinea-Pérez1, Silvia Uribe1, Sara Peluso2
1Universidad Politécnica de Madrid, Avenida Complutense, 30, Madrid, 28040, Madrid, Spain.
概括
来自细分模型的内部记忆状态可以使用PET/CT扫描来预测多发性髓瘤无进展生存率. 融合成像和临床数据显著提高了对现有方法的预后准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 无线电学和深度学习
背景情况:
- 在多发性骨髓瘤 (MM) 中预测无进展生存 (PFS) 对治疗计划至关重要.
- 当前的预后模型往往依赖于临床数据或放射学,使用先进的成像功能有改进的潜力.
- 基础细分模型提供了从医疗图像中提取信息的新方法.
研究的目的:
- 从医学细分模型 (MedSAM2) 评估内部记忆状态的有效性,作为MM PFS预测的紧,面具意识嵌入.
- 评估PET,CT和临床数据晚期融合对预后性能的影响.
- 为了确定这些嵌入是否可以作为数据效率高的成像生物标志物.
主要方法:
- 对227名新诊断的MM患者的全身[18F]FDG PET/CT和临床数据的分析.
- 从MedSAM2中提取时空记忆张量,使用面具衍生的边界框来对脊柱扩展和全骨区域进行测量.
- 频道×内存平均和深度注意力聚合的比较,用于每项研究的嵌入生成,随后与临床数据的晚期融合和使用DeepSurv的评估.
主要成果:
- 使用平均值的仅图像模型实现了0.659±0.015 (PET,脊柱扩展) 的c指数,与放射学相比较.
- 多模式模型 (PET/CT + 临床数据) 改善了歧视到0.710±0.032 (CT,脊椎扩张),超过仅临床基线的6.5%.
- 平均降低采样策略始终优于深度注意力,PET嵌入在仅图像设置中显示出比CT更好的性能.
结论:
- 来自基础细分模型的面具感知记忆嵌入是MM PFS预测的有效成像生物标志物.
- 与临床数据的融合与仅临床或放射学方法相比,显著提高了风险分层.
- 这种方法提供了一个实际的,数据效率高的策略,用于在没有手动特征工程的情况下在小型医疗队伍中进行预后建模.
