CT-basert radiomiks og dyplæringsmodeller for å forutsi skjoldbruskinvasjon og pasientprognose ved larynxkarsinom

Larynx plateepitelkarsinom (LSCC), som en av de vanligste svulstene i hode og nakke, er den åttende ledende årsaken til kreftrelatert død på verdensbasis. Behandlingsbeslutningene har en dyp innvirkning på både tumorkontroll og funksjonell prognose for LSCC-pasienter. Og disse beslutningene er først og fremst basert på svulststadie, med invasjon av skjoldbrusk som en avgjørende determinant. Følgelig indikerer tilstedeværelsen av skjoldbruskinvasjon et avansert stadium (T3 eller T4) diagnose for LSCC-pasientene. For pasienter uten invasjon av skjoldbrusk kan partiell laryngektomi vurderes for å bevare larynxfunksjonen. For pasienter med avansert larynxkarsinom og invasjon av skjoldbrusk som strekker seg utover strupehodet, er imidlertid total laryngektomi ofte nødvendig for å fjerne svulsten fullstendig og forlenge overlevelsestiden. Derfor er nøyaktig vurdering av invasjon av skjoldbrusk avgjørende for behandlingsbeslutninger og prognoseevaluering for LSCC-pasienter. I det siste har kunstig intelligens, i form av maskinlæring og dyp læring (DL), blitt brukt vilt innen medisinsk bildebehandling. Radiomiks, en fremtredende rolle i maskinlæring, kan trekke ut høydimensjonale funksjonsdata og kvantitativt gi verdifull informasjon for tumorstadie og prognose. I tillegg kan DL automatisk fange opp og lære diskriminerende funksjoner gjennom en ende-til-ende måte for nøyaktig prediksjon. Samlet var målene med denne multisenterstudien å utvikle og validere en radiomiksmodell, en 2D DL-modell og en 3D DL-modellbase på CT-bildene i venefasen, og sammenligne ytelsen til disse modellene med to radiologer i å forutsi skjoldbruskbrusk. invasjon. I tillegg undersøkte forskerne den prognostiske verdien av den optimalt forutsagte modellen for invasjon av skjoldbrusk.