基于MR-T2WI的深度学习与影像组学联合临床特征预测宫颈癌淋巴脉管间隙浸润

目的观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiomics,Rad)模型、DTL模型、融合模型(Rad+DTL模型),并筛选最佳影像组学模型;基于上述最佳影像组学模型评分与临床独立因子构建联合模型,并绘制列线图。以校准曲线评估模型校准度,以决策曲线分析评价模型的应用价值。结果淋巴结转移、粒细胞比率均为LVSI(+)的独立预测因子(P<0.05)。Rad+DTL模型为最佳影像组学模型。联合模型在训练集和测试集中的受试者工作特征曲线下面积(area under the curve,AUC)高于Rad+DTL模型(0.984 vs.0.966,P<0.05;0.912 vs.0.759,P=0.05)。联合模型的校准度较高,临床净收益更大。结论基于MR-T2WI的DTL特征、影像组学特征联合临床特征构建的联合模型可有效预测宫颈癌LVSI。

肺癌放射治疗中人工智能的应用进展

目的简述人工智能技术及其在肺癌放射治疗中的应用进展。方法以"人工智能、卷积神经网络、肺癌和放射治疗"为关键词,检索PubMed以及CNKI等期刊全文数据库2012-01-2020-03发表的相关文献。纳入标准:人工智能的发展现状;人工智能在肺癌放疗中的应用。根据纳入标准分析文献44篇。结果人工智能技术在图像配准上比传统方法的精度更高、耗时更短;在危及器官自动勾画中耗时短,精度逼近手动勾画;在肿瘤的自动勾画、自动计划的生成和优化、质量保证预测以及放疗不良反应预测方面的精确度有待加强。结论人工智能在肺癌放疗中的应用中取得了阶段性的成果,但人工智能技术仍存在自身的局限性,缺乏足够的证据应用于临床,需要改进算法和研究方法,充分挖掘人工智能的潜能。