CT-baserede radiomikrofoner og Deep Learning-modeller til at forudsige skjoldbruskkirtelinvasion og patientprognose i larynxcarcinom

Laryngeal pladecellekarcinom (LSCC), som en af ​​de mest almindelige hoved- og halstumorer, er den ottende hyppigste årsag til kræftassocieret død på verdensplan. Behandlingsbeslutningerne har en dyb indvirkning på både tumorkontrol og funktionel prognose for LSCC-patienter. Og disse beslutninger er primært baseret på tumorstadieinddeling, hvor invasionen af ​​skjoldbruskkirtlen tjener som en afgørende determinant. Følgelig indikerer tilstedeværelsen af ​​invasion af skjoldbruskkirtelbrusk et fremskredent stadium (T3 eller T4) diagnose for LSCC-patienterne. For patienter uden invasion af thyroideabrusk kan partiel laryngektomi overvejes for at bevare larynxfunktionen. For patienter med fremskreden larynxcarcinom og thyroideabruskinvasion, der strækker sig ud over strubehovedet, er total laryngektomi dog ofte nødvendig for fuldstændig at fjerne tumoren og forlænge overlevelsestiden. Derfor er nøjagtig vurdering af invasion af skjoldbruskkirtelbrusk afgørende for behandlingsbeslutninger og prognoseevaluering for LSCC-patienter. På det seneste er kunstig intelligens, i form af machine learning og deep learning (DL), blevet vildt anvendt i medicinsk billeddannelse. Radiomik, en fremtrædende rolle i maskinlæring, kan udtrække højdimensionelle funktionsdata og kvantitativt give værdifuld information til tumorstadieinddeling og -prognose. Derudover kan DL automatisk fange og lære diskriminerende funktioner gennem en ende-til-ende måde for nøjagtig forudsigelse. Samlet var formålene med denne multicenterundersøgelse at udvikle og validere en radiomiksmodel, en 2D DL-model og en 3D DL-modelbase på de venøse fase CT-billeder og sammenligne ydeevnen af ​​disse modeller med to radiologer i forudsigelse af skjoldbruskkirtelbrusk invasion. Derudover undersøgte forskerne den prognostiske værdi af den optimale forudsagte model for invasion af skjoldbruskkirtelbrusk.