跳到主要内容

话题

诊断成像

诊断成像

'多方面的辐射瘤预测癌症转移风险

03 Jul 2020
CT和PET图像等 癌症成像档案(TCIA):维护和操作公共信息存储库 数字成像 10.1007 / S10278-013-9622-7)" />
头颈癌症患者的X射线CT图像(左)和PET图像(右)。 (礼貌: 数字成像 10.1007 / S10278-013-9622-7)

改进的数据挖掘技术将来自多种成像模型和其他临床参数的信息结合在于预测癌症转移的风险。在新方法中,来自癌症患者的成像数据被送入深度神经网络,其输出由三种不同的分类算法处理。一种融合三分类器的结果的新方法,然后产生对后续咨询的月份或几年后的预测,癌症将具有传播。开发该方法的基于美国的研究人员用188名头颈癌患者获得的诊断和治疗计划图像证明了其有效性。

与身体其他地方的癌症一样,使用放射治疗的头部和颈部的早期癌症,随着成功的增加。当治疗失败时,它通常往往涉及来自初始疾病的遗址的新肿瘤的生长。预测哪种患者最有可能发展远处转移(DM)至关重要,因此低风险患者可以抑制伴随用于控制癌症增殖的全身治疗的严重副作用。

以这种方式对患者进行分类的一种方法是从大型成像数据集中提取DM风险指标 - 一种称为“射频的方法”。但是,虽然这种技术已被证明可以良好地利用单模数据集中的定量特征(见 基于CT的adadiomics揭示了前列腺癌风险),由于组合了每个图像类型的不同的方式,多模态数据集尚未被用于其最佳优势。

现在,写作 医学与生物学的物理学, 志福周UT Southwestern Medical Center  and 密苏里州中部大学 和同事描述了一种技术 - 它们称之为多方面的辐射瘤(M- adrioMICS) - 这使得更有效地使用包括正电子发射断层扫描(PET)和X射线CT图像的数据集。

该团队编制了188名头颈癌症患者的PET和CT图像,在扫描后六到112个月之间进行后续咨询。在各种机构中获得的图像已经被医生研究,并且已经提取了257个特征 - 例如,对每个患者提取了睾丸和几何特征。 DataSet中还包括其他临床参数,如患者年龄和性别,以及疾病在成像时已经进展的程度。

周和同事将这些数据点的子集输入到一个深度神经网络中,这将它们融入单个功能集中。然后,它们使用该组合特征来训练可以调整的预测模型,以优化敏感性(使DM的真正阳性预测的可能性)和特异性(使DM对DM的真实假预测的可能性)取决于临床需要。通常,该模型的输出将由单个分类算法对预测结果进行排序:DM或NO DM。研究人员注意到,组合三种不同的分类算法可以提高其方法的可靠性。

研究人员发现对患者数据的单独子集进行发现,发现它们的M-射频方法优于缺乏深度神经网络,灵敏度特异性优化或分类步骤的技术的表现优势。他们认为通过包括医生描绘的肿瘤边界之外的图像特征以及通过开发标准化的自动特征提取过程,可以进一步提高该方法,以最小化在不同机构捕获的图像之间的可变性。

Zhiguo Zhou and Jing Wang

周和同事计划验证他们的方法与多机构前瞻性研究 - 与他们用于其示范的回顾性数据集相比 - 这应该表明其在相似高风险头颈癌中的临床决策的价值耐心。

“一旦经过验证,我们希望临床采用可以在两到三年内实现模型,”周的共同作者说, 景王,在Ut Southwestern Medical Center。随着M-辐射族的是广义框架,也可以扩展该方法以预测其他解剖部位的原发性癌症的治疗结果。

相关事件

版权©2021由IOP Publishing Ltd和个人贡献者