(HealthDay)—Für Patienten mit lokal fortgeschrittenem nicht-kleinzelligem Lungenkrebs (NSCLC), deep-learning-Netzwerken, die Integration der Computertomographie (CT) – scans auf mehrere Zeitpunkte können verbessern das klinische outcome Vorhersagen, laut einer Studie online veröffentlicht am 22. April in der Klinischen Krebs Forschung.
Yiwen Xu, Ph. D., von der Brigham and Women ‚ s Hospital in Boston, und Kollegen beurteilt deep-learning-Netzwerke für die Vorhersage von klinischen Ergebnissen bei lokal fortgeschrittenen NSCLC. Dataset Ein Bestand von 581 scans von 179 Patienten mit Stadium-III-NSCLC behandelt mit definitiver Radiochemotherapie mit Vorbehandlung und Nachbehandlung Bilder in einem, drei und sechs Monaten follow-up. Mittels single-seed-Punkt-tumor-Lokalisation, wurden Modelle entwickelt, mit transfer lernen von convolutional neural networks (CNN) mit rekurrenten neuronalen Netzen. Pathologische response-Validierung erfolgte auf Datensatz B, die im Lieferumfang enthalten 178 scans von 89 Patienten, die mit Radiochemotherapie und Operation.
Die Forscher fanden heraus, dass das überleben und Krebs-spezifische Ergebnisse (Verlauf, Fernmetastasen, lokal-regionales Rezidiv) wurden vorhergesagt von deep-learning-Modelle mit Zeitreihen durchsucht. Mit jedem zusätzlichen follow-up-überprüfung in der CNN-Modell, Modell-performance wurde verbessert. Die Patienten wurden stratifiziert in low-und high-Sterblichkeits-Risiko-Gruppen, indem Sie die Modelle, die deutlich im Zusammenhang mit Gesamtüberleben (hazard ratio, 6.16). Im Datensatz B ist das Modell auch deutlich vorhergesagt pathologische Reaktion.
„Unsere Forschung zeigt, dass die deep-learning-Modelle der Integration von routine-imaging-scans wurden an mehreren Zeitpunkten können besser Vorhersagen zu überleben und Krebs-spezifische Ergebnisse für Lungenkrebs“, ein Co-Autor, sagte in einer Erklärung.