CT-baserad radiomik och djupinlärningsmodeller för att förutsäga sköldkörtelbrosksinvasion och patientprognos vid larynxkarcinom

Laryngeal skivepitelcancer (LSCC), som en av de vanligaste huvud- och halstumörerna, är den åttonde vanligaste orsaken till cancerrelaterad död i världen. Behandlingsbesluten har en djupgående inverkan på både tumörkontroll och funktionell prognos för LSCC-patienter. Och dessa beslut är främst baserade på tumörstadieindelning, med invasionen av sköldkörtelbrosket som en avgörande bestämningsfaktor. Följaktligen indikerar förekomsten av invasion av sköldkörtelbrosk ett framskridet stadium (T3 eller T4) diagnos för LSCC-patienter. För patienter utan invasion av sköldkörtelbrosk kan partiell laryngektomi övervägas för att bevara larynxfunktionen. Men för patienter med avancerad larynxkarcinom och sköldkörtelbrosk som sträcker sig utanför struphuvudet, är total laryngektomi ofta nödvändig för att helt ta bort tumören och förlänga överlevnadstiden. Därför är noggrann bedömning av invasion av sköldkörtelbrosk avgörande för behandlingsbeslut och prognosutvärdering för LSCC-patienter. På senare tid har artificiell intelligens, i form av maskininlärning och djupinlärning (DL), applicerats vilt inom medicinsk bildbehandling. Radiomik, en framträdande roll i maskininlärning, kan extrahera högdimensionell funktionsdata och kvantitativt tillhandahålla värdefull information för tumörstadieindelning och prognos. Dessutom kan DL automatiskt fånga och lära sig särskiljande egenskaper genom ett heltäckande sätt för korrekt förutsägelse. Tillsammans var syftena med denna multicenterstudie att utveckla och validera en radiomikmodell, en 2D DL-modell och en 3D DL-modell baserat på CT-bilder i venös fas, och jämföra dessa modellers prestanda med två radiologer för att förutsäga sköldkörtelbrosk invasion. Dessutom undersökte forskarna det prognostiska värdet av den optimala förutspådda modellen för invasion av sköldkörtelbrosk.