CT-gebaseerde radiomics en deep learning-modellen om invasie van schildklierkraakbeen en patiëntprognose bij larynxcarcinoom te voorspellen

Larynx plaveiselcelcarcinoom (LSCC), als een van de meest voorkomende hoofd-halstumoren, is wereldwijd de achtste belangrijkste oorzaak van kankergerelateerde sterfte. De behandelbeslissingen hebben een diepgaande invloed op zowel de tumorcontrole als de functionele prognose van LSCC-patiënten. En deze beslissingen zijn voornamelijk gebaseerd op de stadiëring van de tumor, waarbij de invasie van het schildkraakbeen als cruciale bepalende factor fungeert. Bijgevolg duidt de aanwezigheid van invasie van schildkraakbeen op een diagnose in een vergevorderd stadium (T3 of T4) voor de LSCC-patiënten. Bij patiënten zonder invasie van schildklierkraakbeen kan een gedeeltelijke laryngectomie worden overwogen om de larynxfunctie te behouden. Bij patiënten met gevorderd larynxcarcinoom en invasie van schildklierkraakbeen die verder reikt dan het strottenhoofd, is totale laryngectomie echter vaak noodzakelijk om de tumor volledig te verwijderen en de overlevingstijd te verlengen. Daarom is een nauwkeurige beoordeling van de invasie van schildklierkraakbeen essentieel voor de besluitvorming over de behandeling en de evaluatie van de prognose voor LSCC-patiënten. Recentelijk is kunstmatige intelligentie, in de vorm van machine learning en deep learning (DL), op grote schaal toegepast in de medische beeldvorming. Radiomics, een prominente rol in machinaal leren, kunnen hoogdimensionale kenmerkgegevens extraheren en kwantitatief waardevolle informatie verschaffen voor de stadiëring en prognose van tumoren. Bovendien kan DL automatisch discriminerende kenmerken vastleggen en leren via een end-to-end manier voor nauwkeurige voorspellingen. Gezamenlijk waren de doelstellingen van deze multicentrische studie het ontwikkelen en valideren van een radiomics-model, een 2D DL-model en een 3D DL-model op basis van de CT-beelden in de veneuze fase, en het vergelijken van de prestaties van deze modellen met die van twee radiologen bij het voorspellen van schildklierkraakbeen. invasie. Daarnaast onderzochten de onderzoekers de prognostische waarde van het optimaal voorspelde model van invasie van schildklierkraakbeen.