使用来自非小细胞肺癌(NSCLC)患者的肿瘤的连续图像扫描开发的深度学习模型预测治疗反应和存活结果优于标准临床参数。
该研究发表的期刊：临床癌症研究，美国癌症研究协会期刊作者：Hugo Aerts博士，Dana-Farber癌症研究所和布莱根妇女医院计算和生物信息学实验室主任，以及哈佛大学副教授。
背景：“我们的研究表明，深度学习模型整合了在多个时间点获得的常规成像扫描，可以改善肺癌的生存预测和癌症特异性结果，”Aerts说。“相比之下，依赖于阶段，性别，年龄，肿瘤等级，表现，吸烟状况和肿瘤大小的标准临床模型无法可靠地预测两年生存率或治疗反应。”
肺癌是最常见的癌症，也是全球癌症死亡的主要原因。NSCLC约占所有肺癌的85%。对这些患者的诊断和治疗反应的标准评估在很大程度上依赖于最大肿瘤直径的测量，该最大肿瘤直径容易受到观察者之间的解释和随时间的变化的影响。
研究是如何进行的：为了了解他们是否能够在癌症发展过程中提取更多预测性见解，Aerts及其同事建立了深度学习模型。他们转移了ImageNet，这是一个由普林斯顿大学和斯坦福大学的研究人员创建的神经网络，从最相关的特征中识别出各种普通物体，并使用连续CT扫描对179名患有3期NSCLC的患者进行了模型训练。化学放射治疗。它们包括在治疗前和治疗后一个月，三个月和六个月常规获得的每位患者最多四张图像，总共581张图像。
研究人员分析了该模型使用两个数据集进行重要癌症预后预测的能力：581个图像的训练数据集和来自89个非小细胞肺癌患者的178个图像的独立验证数据集，这些患者接受过放化疗和手术治疗。
结果：随着每次随访扫描的增加，模型的性能得到改善。基于预处理扫描预测两年生存率的曲线下面积(模型精度的测量值)为0.58，在添加所有可用的随访扫描后显着改善至0.74。被归类为具有低死亡风险的患者与具有高风险的患者相比，总体存活率提高了六倍。
与利用阶段，性别，年龄，肿瘤等级，表现，吸烟状况和临床肿瘤大小参数的临床模型相比，深度学习模型更有效地预测远处转移，进展和局部区域复发。
作者的评论：“放射学扫描是在随访检查期间从肺癌患者中常规捕获的，并且已经是数字化数据形式，使其成为人工智能应用的理想选择，”Aerts说。“定量跟踪病变随时间变化的深度学习模型可以帮助临床医生为个体患者量身定制治疗方案，并帮助患者分层进入临床试验的不同风险组。”
研究局限性：这种原理性证明研究的主要局限在于需要扩展更多数据，并在前瞻性临床试验中进行评估，Aerts说。
标签：肺癌
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。