PLoS Med：深度学习在肺癌预测中的应用
2018-12-26 xiangting MedSci原创
这项研究结果提供了证据表明，深度学习网络可用于基于NSCLC患者标准治疗CT影像的死亡风险分层。
研究人员对5个机构7个独立的数据集进行了综合分析，共计1,194名NSCLC患者（年龄中位数= 68.3岁[范围32.5-93.3]，存活中位=1.7年[范围0.0-11.7]）。在计算机断层扫描（CT）数据中应用外部验证，使用3D卷积神经网络（CNN）确定了放疗患者的预后信号（n=771，年龄中位数=68.0岁[范围32.5-93.3]，生存中位数=1.3年[范围0.0-11.7]）。然后，研究人员采用迁移学习法为手术患者实现了相同目标（n=391，年龄中位数= 69.1岁[范围37.2-88.0]，存活中位数=3.1年[范围0.0-8.8]）。研究发现CNN预测与放疗患者（ROC曲线下面积[AUC]=0.70 [95％CI 0.63-0.78]，p<0.001）和手术患者（AUC=0.71 [95％CI 0.60-0.82]，p<0.001）相应治疗开始后的2年总生存率显著相关。在放疗组（p<0.001）和手术组（p=0.03）中，CNN还能将患者显著分为低死亡风险组和高死亡风险组。此外，CNN明显优于基于年龄、性别和肿瘤淋巴结转移阶段等临床参数的随机森林模型，此外对重测试（组内相关系数=0.91）和阅片者间变异具有高稳健性（斯皮尔曼秩序相关=0.88）。为了更好地了解CNN捕获的特征，研究人员确定了对预测贡献最大的区域，并强调了肿瘤周围组织在患者分层中的重要性。研究还提供了关于捕获表型与细胞周期和转录过程相关的生物学基础的初步发现。研究的局限性包括该研究为回顾性以及深度学习网络的不透明黑盒性质。
这项研究结果提供了证据表明，深度学习网络可用于基于NSCLC患者标准治疗CT影像的死亡风险分层。这一证据促使了未来关于更好破译深度学习网络临床和生物学基础的研究，以及在前瞻性数据中进行验证。
原始出处：
Ahmed Hosny. Deep learning for lung cancer prognostication: A retrospective multi-cohort radiomics study. PLoS Med. 30 November 2018.
本文系梅斯医学(MedSci)原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#Med#
34