文献速递:PET-影像组学专题—18F-FDG PETCT影像学的影像组学模型用于预测早期宫颈鳞状细胞癌无病生存率

本文主要是介绍文献速递:PET-影像组学专题—18F-FDG PETCT影像学的影像组学模型用于预测早期宫颈鳞状细胞癌无病生存率,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文献速递:PET-影像组学专题—18F-FDG PET/CT影像学的影像组学模型用于预测早期宫颈鳞状细胞癌无病生存率

01

文献速递介绍

宫颈癌是女性死亡的主要原因之一。在早期宫颈癌中,根治性手术加/不加个体化辅助化疗放疗是指南推荐的治疗选择,然而约25%的病例仍会出现复发。一些术后病理风险因素,如肿瘤直径大、深部基质侵犯、淋巴血管空间侵犯(LVSI)、盆腔内侵犯、手术切缘阳性和淋巴结转移,可能会增加复发的发生率。然而,在临床上,即使是没有风险因素的患者或由于病理风险而接受辅助化疗放疗的患者,也可能会有不良的生存情况。

因此,这些因素并不总是能预测患者的生存。因此,有必要开发一个准确和全面的预后预测工具,以补充现有的指南。F-2-氟-2-脱氧-D-葡萄糖正电子发射断层扫描/计算机断层扫描(18F-FDG PET/CT)是一种分子和功能成像方式,广泛用于宫颈癌的诊断、初步分期、反应评估、复发检测和生存分析。传统的PET/CT参数,如最大标准化摄取值(SUVmax)、平均标准化摄取值(SUVmean)、代谢性肿瘤体积(MTV)和总病变糖代谢(TLG),用于反映与临床结果的关系,但未能得出一致的结论。影像组学是一个新兴领域,通过各种技术从定量医学影像中提取特征。影像组学特征可以量化肿瘤的强度、形状和异质性,并已应用于肿瘤检测、诊断、治疗反应和预后。

Lucia等人成功地报告了基于PET/CT和MR的影像组学模型,用于预测晚期宫颈癌的复发,并进行了进一步的外部验证。这个影像组学模型的预测准确性高达90%,而使用标准临床变量的预测准确性为56–60%。可能由于随访时间较短,目前在早期宫颈癌中使用PET/CT影像组学特征进行的预后研究很少。

此外,由于宫颈癌最常见的病理类型是鳞状细胞癌,我们的研究是在具有相同组织学类型的同质患者群体中进行的,这增加了我们发现的普遍性。因此,我们打算开发一个PET/CT影像组学模型,以准确预测早期宫颈鳞状细胞癌患者的预后。

Title

题目

Radiomics model of 18F-FDG PET/CTimaging for predicting disease-free survival of early-stage uterine cervical squamous cancer 18F-FDG PET/CT

18F-FDG PET/CT影像学的影像组学模型用于预测早期宫颈鳞状细胞癌无病生存率

Abstract-Background

摘要-背景

To explore an effective predictive model based on PET/CT radiomics for the prognosis of early-stage uterinecervical squamous cancer.

探讨基于PET/CT影像组学的有效预测模型,用于早期宫颈鳞状细胞癌的预后。

Methods

方法

Preoperative PET/CT data were collected from 201 uterine cervical squamous cancer patients with stage IB-IIAdisease (FIGO 2009) who underwent radical surgery between 2010 and 2015. The tumor regions were manually segmented,and 1318 radiomic features were extracted. First, model-based univariate analysis was performed to exclude features with smallcorrelations. Then, the redundant features were further removed by feature collinearity. Finally, the random survival forest (RSF)was used to assess feature importance for multivariate analysis. The prognostic models were established based on RSF, and theirpredictive performances were measured by the C-index and the time-dependent cumulative/dynamics AUC (C/D AUC).

从201名处于IB-IIA期(FIGO 2009)的宫颈鳞状细胞癌患者中收集了术前PET/CT数据,这些患者在2010年至2015年间接受了根治性手术。肿瘤区域手动分割,提取了1318个影像组学特征。首先,进行基于模型的单变量分析,以排除相关性小的特征。然后,通过特征共线性进一步移除冗余特征。最后,使用随机生存森林(RSF)评估多变量分析中的特征重要性。基于RSF建立了预后模型,其预测性能通过C指数和时间依赖的累积/动态AUC(C/D AUC)进行衡量。

Results

结果

In total, 6 radiomic features (5 for CT and 1 for PET) and 6 clinicopathologic features were selected. The radiomic,clinicopathologic and combination prognostic models yielded C-indexes of 0.9338, 0.9019 and 0.9527, and the mean values of theC/D AUC (mC/D AUC) were 0.9146, 0.8645 and 0.9199, respectively.

总共选取了6个影像组学特征(CT 5个,PET 1个)和6个临床病理特征。影像组学、临床病理和组合预后模型的C指数分别为0.9338、0.9019和0.9527,其平均时间依赖的累积/动态AUC(mC/D AUC)分别为0.9146、0.8645和0.9199。

Conclusions

结论

PET/CT radiomics could achieve approval power in predicting DFS in early-stage uterine cervical squamouscancer.

Keywords: 18F-FDG PET/CT, radiomics, DFS, prediction, early-stage uterine cervical squamous cancer

PET/CT影像组学在预测早期宫颈鳞状细胞癌的无病生存率(DFS)方面能够取得认可的效力。

Figure

图片

Fig. 1. Outline of the workflow from data input, feature extraction, selection, and model construction.

图1. 数据输入、特征提取、选择和模型构建的工作流程概述

图片

Fig. 2. Selected radiomic features in predicting DFS. Feature importance of radiomic (A) and clinicopathologic features (B). f1, CT_wavelet *HLH_gldm_SmallDependenceHighGrayLevelEmphasis; f2, CT_log-sigma-4-0-mm-3D_glrlm_RunVariance; f3, CT_log-sigma-4-0-mm-3D_**gldm_LowGrayLevelEmphasis;f4,CT_log-sigma-5-0-mm-3D_glrlm_LongRunHighGrayLevelEmphasis; f5, CT_log-sigma-5-0-mm-3D_gldm_*DependenceNonUniformity;f6,PET_original_glcm_SumSquares; f7, TLG; f8, LVSI; f9, lymph node metastasis; f10, deep stromal invasion; f11, preoperative SCCA level; f12, FIGO stage.

图2. 预测无病生存率时选定的影像组学特征。影像组学(A)和临床病理特征(B)的重要性。f1, CT小波HLH_gldm小依赖高灰度强调;f2, CT对数-西格玛-4-0毫米-3D_glrlm运行方差;f3, CT对数-西格玛-4-0毫米-3D_gldm低灰度级强调;f4, CT对数-西格玛-5-0毫米-3D_glrlm长运行高灰度级强调;f5, CT对数-西格玛-5-0毫米-3D_gldm依赖非均匀性;f6, PET原始glcm_平方和;f7, TLG;f8, LVSI;f9, 淋巴结转移;f10, 深部基质侵犯;f11, 术前SCCCA水平;f12, FIGO分期。

图片

Fig. 3. The K-M curve of radiomic, clinicopathologic, and combined model in training and testing dataset.

图3. 训练和测试数据集中影像组学、临床病理和组合模型的K-M曲线。

图片

Fig. 4. The C/D AUC curve of the radiomic, clinicopathologic, and combined models in the testing dataset. As an indicator to measure thepreoperative predictive efficiency of the model in addition to the C-index, the mC/D AUC was further calculated over all time ranges. The curveshowed that the combined model achieved the best performance during the research period, and the mC/D AUCs of the radiomic, clinicopathologicand combined models were 0.9146, 0.8645, and 0.9199, respectively. At 60 months after surgery, the preoperative combined model showed ahigher predictive value with a C/D AUC60 of 0.9703 compared to 0.9248 in the clinicopathologic model and 0.8923 in the radiomic model (tagline shown). However, the predictive ability was obviously decreased after 100 monthsThe predictive ability was obviously decreased after**100 months.

图4. 测试数据集中影像组学、临床病理和组合模型的C/D AUC曲线。作为除C指数外衡量模型术前预测效能的指标,对所有时间范围计算了mC/D AUC。曲线显示,在研究期间,组合模型表现最佳,影像组学、临床病理和组合模型的mC/D AUC分别为0.9146、0.8645和0.9199。手术后60个月时,术前组合模型显示出更高的预测价值,其C/D AUC60为0.9703,相比之下临床病理模型为0.9248,影像组学模型为0.8923(如标线所示)。然而,预测能力在100个月后明显下降。

Table

图片

Table 1 Clinicopathologic characteristics

表1临床病理特征

图片

Table 2 Description of selected radiomics feature in predictive model

表2 预测模型中选定影像组学特征的描述

图片

Table 3The performance of the predictive model

表3预测模型的性能

这篇关于文献速递:PET-影像组学专题—18F-FDG PETCT影像学的影像组学模型用于预测早期宫颈鳞状细胞癌无病生存率的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/497969

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者