Radiology:MRI深度学习模型在直肠癌预后预测中的应用
2024-03-11 shaosai MedSci原创 发表于上海
深度学习作为一种新兴的机器学习技术,有望克服以上这些问题。在计算机ViT领域基于变换器的模型在21000幅自然图像上进行预先训练,在许多任务上取得了最先进的性能。
目前,临床上对局部晚期直肠癌患者的治疗标准是新辅助治疗后行全直肠系膜切除术。虽然这种多模式治疗可降低局部复发率,但并没有显著改善长期生存率。现有的预后分层主要基于已建立的TNM肿瘤分期系统和病理肿瘤消退分级。然而,由于同一阶段患者的临床异质性,TNM并不是最佳的风险评估工具。
盆腔MRI在临床上常规用于直肠癌的诊断和分期,并可用于检测潜在的预后因素,如肌外血管侵犯和环切缘侵犯。在过去的十年中,随着定量图像分析方法的发展,利用计算机自动提取医学放射图像的定量特征已成为可能。许多研究已经在MRI扫描上使用经典的手工制作放射组学来预测局部晚期直肠癌患者的化疗疗效、预后和分子分型。然而,放射组学需要费力和耗时的精确肿瘤标记,这阻碍了其临床应用。
深度学习作为一种新兴的机器学习技术,有望克服以上这些问题。在计算机ViT领域基于变换器的模型在21000幅自然图像上进行预先训练,在许多任务上取得了最先进的性能。与传统的机器学习技术不同,DL不需要领域专家手动特征提取和选择,可以直接处理原始资料,无需指定规则或特征。最近,DL技术在各种医学图像分析任务中实现了可与专家媲美的诊断性能。
近日,发表在Radiology杂志上的一篇研究根据治疗前T2加权MRI扫描显示的分割肿瘤体积,开发并验证了一项用于预测直肠癌患者生存期的MRI DL模型,为临床进行早期、准确的肿瘤预后评估提供了技术支持。
本项研究对两个中心2003年8月至2021年4月期间诊断的直肠癌患者的MRI扫描数据进行了DL模型的训练和验证。如果有并发的恶性肿瘤、先前的抗癌治疗、不完整的新辅助治疗过程,或没有进行根治性手术,则患者被排除在研究之外。使用Harrell C指数来确定最佳模型,并应用于内部和外部测试集。根据训练集计算出的固定分界线,将患者分层为高风险和低风险组。还评估了一个多模式模型,并使用DL模型计算的风险评分和治疗前癌胚抗原水平作为输入。
训练集包括507名患者(中位年龄,56岁[IQR,46-64岁];355名男性)。在验证集(n = 218;中位年龄,55岁[IQR,47-63岁];144名男性)中,最佳算法的总生存期C指数达到0.82。最佳模型在内部测试组(n = 112;中位年龄,60岁[IQR,52-70岁];76名男性)的高危组中达到了3.0(95%CI:1.0,9.0),在外部测试组(n = 58;中位年龄,57岁[IQR,50-67岁];38名男性)达到了2.3(95% CI:1.0,5.4)。多模态模型进一步提高了性能,验证和外部测试集的C-指数分别为0.86和0.67。
表 在训练、验证、内部测试和外部测试集中按高风险和低风险分层的患者特征
本项研究表明,研究所提出的基于术前MRI的DL模型能够准确的预测直肠癌患者的生存率,可作为术前风险分层的重要影像学工具。
原文出处:
Xiaofeng Jiang,Hengyu Zhao,Oliver Lester Saldanha,et al.An MRI Deep Learning Model Predicts Outcome in Rectal Cancer.DOI:10.1148/radiol.222223
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#深度学习# #直肠癌#
0