Persönliche Gesundheit

Ein deep-learning-Modell kann helfen, vorherzusagen, Lungenkrebs überleben und Ergebnisse

Ein deep-learning-Modell entwickelt, wobei die serielle Bild-scans von Tumoren von Patienten mit nicht-kleinzelligem Lungenkrebs (NSCLC) vorhergesagt Therapieerfolg und überleben Ergebnisse besser als standard der klinischen Parameter.

Die Studie ist veröffentlicht in Clinical Cancer Research, einer Zeitschrift der American Association for Cancer Research, von Hugo Aerts, Ph. D., Direktor der Computer-und Bioinformatik-Labor an der Dana-Farber Cancer Institute und Brigham and Women ‚ s Hospital und associate professor an der Harvard University.

„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,“ sagte Aerts. „Durch Vergleich, ein standard-klinischen Modell Berufung auf der Bühne, Geschlecht, Alter, tumor-Grad, – Leistung, Raucher-status und der Tumorgröße konnte nicht zuverlässig Vorhersagen, zwei Jahre zu überleben, oder die Behandlung reagieren.“

Lungenkrebs ist die häufigste Krebs und die führende Ursache von Krebs-Todesfälle weltweit. NSCLC erklärt ungefähr 85 Prozent aller lungenkarzinome. Die standard-Bewertung, die für die Diagnose und das ansprechen auf die Therapie für diese Patienten stützt sich stark auf die Messung des maximalen tumor Durchmesser, die anfällig für Variationen in der interpretation zwischen den Beobachtern und im Laufe der Zeit.

Wie die Studie Durchgeführt Wurde: um Zu sehen, ob Sie extrahieren konnte mehr vorausschauende Einblicke, wie die Krebse sich entwickeln, Aerts und Kollegen gebaut deep-learning-Modelle. Sie übertragen das lernen von ImageNet, ein neuronales Netzwerk geschaffen, das Forscher an der Princeton University und der Stanford University, die eine Vielzahl von gewöhnlichen Gegenständen, von der die meisten relevanten Merkmale und trainiert Ihre Modelle mit seriellen CT-scans von 179 Patienten mit NSCLC Stadium 3 die Behandlung mit Radiochemotherapie. Sie enthalten bis zu vier Bilder pro Patienten erhalten routinemäßig vor der Behandlung und bei einer, drei und sechs Monate nach der Behandlung für insgesamt 581 Bilder.

Der Ermittler analysiert das Modell die Fähigkeit, wesentliche Krebs-Ergebnis-Vorhersagen mit zwei Datensätzen: die Trainings-Datensatz 581 Bilder und eine unabhängige Validierung Datensatz von 178 Bilder von 89 Patienten mit nicht-kleinzelligem Lungenkrebs, die behandelt worden waren, mit Radiochemotherapie und Operation.

Die Modelle, die die Leistung verbessert, mit dem Zusatz von jedem follow-up-scan. Die Fläche unter der Kurve, ein meaure von der Modell – Genauigkeit für die Vorhersage der zwei-Jahres-überlebensrate basiert auf Vorbehandlung durchsucht allein war 0,58) deutlich verbessert, 0.74, nach dem hinzufügen aller verfügbaren follow-up-scans. Patienten eingestuft als geringes Risiko für die Sterblichkeit durch das Modell hatte sechs-Fach verbesserten Gesamtüberleben im Vergleich mit denjenigen, eingestuft als hohes Risiko.

Im Vergleich mit dem klinischen Modell, bei dem die Parameter der Bühnen -, Geschlechts -, Alters -, tumor-Grad, – Leistung, Raucher-status und der klinischen Tumorgröße, der deep-learning-Modell effizienter war in der Vorhersage der Ferne Metastasierung, progression, und die lokalen, regionalen Rezidiv.

„Radiologie scans erfasst werden routinemäßig von Lungenkrebs-Patienten während des follow-up-Untersuchungen und die bereits digitalisierten Daten Formen, wodurch Sie ideal für künstliche Intelligenz-Anwendungen“, sagte Aerts. „Deep-learning-Modelle, die quantitativ verfolgen von änderungen in Läsionen im Laufe der Zeit kann helfen, Kliniker maßgeschneiderte Behandlungspläne für den einzelnen Patienten und helfen stratify Patienten in verschiedene Risikogruppen und für klinische Studien.“