CT-pohjainen radiomiikka ja syväoppimismallit kilpirauhasen rustoinvaasion ja potilaan ennusteen ennustamiseksi kurkunpään karsinoomassa

Kurkunpään okasolusyöpä (LSCC), joka on yksi yleisimmistä pään ja kaulan kasvaimista, on kahdeksanneksi yleisin syöpäkuolemien syy maailmanlaajuisesti. Hoitopäätöksillä on syvällinen vaikutus sekä kasvaimen hallintaan että LSCC-potilaiden toimintaennusteeseen. Ja nämä päätökset perustuvat ensisijaisesti kasvaimen vaiheeseen, ja kilpirauhasen ruston tunkeutuminen on ratkaiseva tekijä. Tämän seurauksena kilpirauhasen rustoinvaasion esiintyminen osoittaa pitkälle edenneen vaiheen (T3 tai T4) diagnoosin LSCC-potilailla. Potilaille, joilla ei ole kilpirauhasen rustoinvaasiota, voidaan harkita osittaista kurkunpään poistoa kurkunpään toiminnan säilyttämiseksi. Kuitenkin potilailla, joilla on pitkälle edennyt kurkunpään karsinooma ja kilpirauhasen rusto-invaasio, joka ulottuu kurkunpään ulkopuolelle, täydellinen kurkunpään poisto on usein tarpeen kasvaimen poistamiseksi kokonaan ja eloonjäämisajan pidentämiseksi. Siksi kilpirauhasen rustoinvaasion tarkka arviointi on elintärkeää LSCC-potilaiden hoitopäätöksenteossa ja ennusteen arvioinnissa. Viime aikoina tekoälyä koneoppimisen ja syväoppimisen (DL) muodossa on käytetty villisti lääketieteellisessä kuvantamisessa. Radiomiikka, jolla on merkittävä rooli koneoppimisessa, voi poimia korkean ulottuvuuden ominaisuustietoja ja tarjota kvantitatiivisesti arvokasta tietoa kasvaimen staging- ja ennusteista. Lisäksi DL voi automaattisesti kaapata ja oppia erottelevia ominaisuuksia päästä-päähän tarkan ennustamisen avulla. Tämän monikeskustutkimuksen tavoitteena oli yhdessä kehittää ja validoida radiomiikkamalli, 2D DL-malli ja 3D DL-mallipohja laskimovaiheen CT-kuvien pohjalta ja verrata näiden mallien suorituskykyä kahteen radiologiin kilpirauhasen ruston ennustamisessa. maahantunkeutuminen. Lisäksi tutkijat tutkivat kilpirauhasen rustoinvaasion optimaalisen ennustetun mallin ennustearvoa.