Ein künstliches neuronales Netzwerk

Wissenschaftliche Berichte Band 13, Artikelnummer: 8673 (2023) Diesen Artikel zitieren

262 Zugriffe

2 Altmetrisch

Details zu den Metriken

Die Strahlentherapie kommt Patienten mit fortgeschrittenem Plattenepithelkarzinom des Ösophagus (ESCC) hinsichtlich der Linderung der Symptome und des langfristigen Überlebens zugute. Im Gegensatz dazu hat ein erheblicher Teil der ESCC-Patienten nicht von einer Strahlentherapie profitiert. Ziel dieser Studie war die Etablierung und Validierung eines auf einem künstlichen neuronalen Netzwerk basierenden Radiomics-Modells für die Vorhersage des Ansprechens auf die Strahlentherapie bei fortgeschrittenem ESCC vor der Behandlung unter Verwendung integrierter Daten in Kombination mit realisierbaren Basiseigenschaften der Computertomographie. Insgesamt 248 Patienten mit fortgeschrittenem ESCC, die sich zu Studienbeginn einer CT unterzogen und eine Strahlentherapie erhielten, wurden in diese Studie aufgenommen und mit zwei Arten von Radiomics-Modellen analysiert: maschinellem Lernen und Deep Learning. Infolgedessen hat der Att. Das vorab trainierte Resnet50-Netzwerkmodell zeigte eine überlegene Leistung mit AUCs von 0,876, 0,802 und 0,732 in der Trainings-, internen Validierungs- und externen Validierungskohorte. Ebenso unser Att. Das vorab trainierte Netzwerkmodell Resnet50 zeigte laut C-Index und Entscheidungskurvenanalyse eine hervorragende Kalibrierung und einen signifikanten klinischen Nutzen. Hierin wurde ein neuartiges Radiomics-Modell für die Vorbehandlung entwickelt, das auf Deep-Learning-Methoden basiert und zur Vorhersage des Strahlentherapie-Ansprechens bei fortgeschrittenen ESCC-Patienten verwendet werden könnte, wodurch zuverlässige Beweise für die therapeutische Entscheidungsfindung bereitgestellt werden.

Speiseröhrenkrebs (EC) ist einer der tödlichen Subtypen bösartiger Tumoren und weist die siebthöchste Sterblichkeitsrate unter allen Subtypen auf1. In Asien ist das Plattenepithelkarzinom der primäre pathologische Subtyp der EC. Radikale Operationen und Chemoradiotherapie sind entscheidende Behandlungen für Patienten mit Plattenepithelkarzinomen des Ösophagus (ESCC)2. Die radikale Strahlentherapie wird als bevorzugte Behandlung für das zervikale und mittlere thorakale Ösophaguskarzinom empfohlen, das sich in einer höheren Position befindet und durch eine Operation nur schwer vollständig entfernt werden kann. Bei inoperablem fortgeschrittenem ESCC sind weiterhin Chemotherapie und Strahlentherapie erforderlich, um die Symptome zu lindern und das Überleben zu verlängern3,4,5.

Dennoch variiert die Empfindlichkeit gegenüber Strahlentherapie bei verschiedenen Patienten6, was zu erheblichen Unterschieden im Ansprechen auf die Behandlung führt. Unerwünschte Ereignisse und Nebenwirkungen werden häufiger bei Patienten mit strahlenresistentem ESCC beobachtet7,8. Zu diesem Zweck muss bei ESCC-Patienten ein praktischer und nichtinvasiver Ansatz untersucht werden, der die Strahlentherapie vor der Implementierung der Behandlung genau abschätzen kann.

In den letzten Jahrzehnten wurde die allgemeine Klassifizierung des Ösophaguskontrasts (medullärer Typ, fungierender Typ, konstriktiver Typ und ulzerativer Typ) zur Vorhersage des Ansprechens auf die Strahlentherapie in der klinischen Arbeit häufig verwendet9,10. Diese Vorhersage basiert jedoch vollständig auf empirischen Bewertungen durch Radiologen, was zu Unterschieden zwischen den tatsächlichen Behandlungsreaktionen führt. Ansonsten wurden die molekularen Biomarker im Zusammenhang mit der Strahlentherapieempfindlichkeit nicht prospektiv für den routinemäßigen klinischen Einsatz validiert. Jüngste Studien haben gezeigt, dass auf künstlicher Intelligenz (KI) basierende Radiomics nichtinvasive radiologische virtuelle Biopsie-Biomarker extrahieren und so effektiv prädiktive Informationen für das Ansprechen auf die Behandlung liefern können11,12. Lu et al.13 fanden heraus, dass das Deep-Learning-basierte Modell eine hohe Genauigkeit bei der Identifizierung der Ursprünge von Krebserkrankungen unbekannter Primärerkrankung aufwies. Zhong14 wies darauf hin, dass auf der multiparametrischen Magnetresonanztomographie (mp-MRT) basierende Radiomics-Merkmale als prognostische Faktoren bei Patienten mit lokalisiertem Prostatakrebs nach Strahlentherapie angesehen werden könnten. Gao15 zeigte, dass Radiomics-Signaturen auf der Grundlage longitudinaler diffusionsgewichteter MRTs zur präoperativen Abschätzung der Strahlentherapieeffekte verwendet werden können. Zhu16 berichtete, dass ein Nomogrammmodell, das auf radiomischen Signaturen der Computertomographie (CT) und klinischen Faktoren basiert, eine angemessene Sensitivität und Spezifität bei der Abschätzung des Risikos eines lokalen Wiederauftretens bei Nasopharynxkarzinomen (NPC) nach intensitätsmodulierter Strahlentherapie (IMRT) zeigte.

Frühere Radiomics-Studien berichteten, dass Radiomics-Funktionen die Bewertung der vollständigen pathologischen Reaktion nach neoadjuvanter Radiochemotherapie bei EC-Patienten erheblich verbesserten17. Es liegen jedoch nur wenige relevante Studien vor, die auf Radiomics basieren und das Ansprechen einer Strahlentherapie bei ESCC vorhersagen. In dieser Studie wurde eine große Kohorte von 248 Patienten mit ESCC verwendet, um mithilfe eines Deep-Learning-Algorithmus ein neuartiges Basis-CT-basiertes Radiomics-Signaturmodell zu entwickeln, um ihre Leistung bei der Vorhersage des Ansprechens auf Strahlentherapie zu validieren.

Basisinformationen und Bildgebungsdaten, einschließlich demografischer Daten, klinischer Daten, pathologischer Befunde von Biopsien vor der Behandlung, prä- und postoperativer Bildgebungsdaten und chirurgischer Aufzeichnungen, von Patienten mit ESCC, die sich einer Strahlentherapie in Institution 1 (dem ersten angeschlossenen Krankenhaus von Xi'an) unterzogen haben Jiaotong University) von 2013 bis 2019 gesammelt und analysiert. Darüber hinaus haben wir die gleichen zugehörigen Daten auch von Patienten mit ESCC abgerufen und gesammelt, die von 2017 bis 2019 in Institution 2 (dem zweiten angegliederten Krankenhaus der Xi'an Jiaotong-Universität) eine Strahlentherapie erhalten haben. Alle Patienten wurden zum Zeitpunkt der Positionierung vor dem CT-Untersuchung unterzogen Beginn ihrer Strahlentherapie, und die CT-Daten wurden retrospektiv von 2021 bis 2022 erhoben. Die wichtigsten Einschlusskriterien waren wie folgt: (1) durch Biopsie diagnostiziertes ESCC; (2) klinisch diagnostiziertes fortgeschrittenes ESCC mittels CT und Kontrastbildgebung; (3) wurde einer vollständigen radikalen Strahlentherapie unterzogen (und brach die Behandlung während der Behandlung nicht ab); und (4) Bildgebungsdaten vor und nach der Strahlentherapie wurden nach derselben Einrichtung aufgezeichnet. Die wichtigsten Ausschlusskriterien waren wie folgt: (1) keine Biopsie oder pathologische Bestätigung; (2) keine Operation oder mehr als zwei Wochen adjuvante Chemotherapie vor der Strahlentherapie; und (3) keine erneute Untersuchung der Bilddaten nach der Strahlentherapie. Die allgemeine Klassifizierung aller Patienten basierte auf den chinesischen CSCO-Richtlinien18. Für die Tumoreinstufung verwendeten wir den Standard der klinischen Stadieneinteilung für nicht-operativen Speiseröhrenkrebs (Entwurf)19. Von allen Patienten dieser Studie wurde eine schriftliche Einverständniserklärung eingeholt. Alle in dieser Arbeit durchgeführten Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt. Die klinischen Informationen aller Patienten wurden nacheinander erfasst und die Ethikkommission der Xi'an Jiaotong-Universität genehmigte diese Studie.

Zwanzig Prozent der Patienten aus Institution 1 wurden zufällig für die interne Validierungskohorte ausgewählt, und der Rest der Patienten aus Institution 1 wurde in die Trainingskohorte eingeteilt. Als externe Validierungskohorte wurden die Patienten der Einrichtung 2 ausgewählt. Der detaillierte experimentelle Ablauf ist in Abb. 1 dargestellt.

Flussdiagramm, das die Schritte zur Entwicklung des radiomischen Empfindlichkeitsvorhersagemodells veranschaulicht, das die Patientenkategorisierung, die Abgrenzung des Tumorvolumen-ROI, die Modellauswahl und die Ausgabeanalyse umfasst. Dieses Flussdiagramm zeigt die Überlegenheit des neuronalen Netzwerkmodells im End-to-End-Aspekt. Die Vorhersageergebnisse können direkt ohne die langwierigen Schritte zur Merkmalsextraktion des maschinellen Lernens erhalten werden. In praktischen Anwendungen ist auch die Generalisierungsleistung des neuronalen Netzwerkmodells besser.

Alle Patienten in unserer Studie akzeptierten die Lokalisierung mit dem Brilliance CT-Locator (Philps, UK) vor der Strahlentherapie. Die wichtigsten Betriebsparameter: Röhrenspannung: 140 kV; Röhrenstrom: 500 mA; Strahlabstand: 0,625 Schichtdicke; Rotationszeit: 0,5 s; Matrix: 512 × 512; Detektorgröße: 24 mm. Die Scanparameter: Schichtdicke ≤ 5 mm; Abstand ≤ 5 mm.

Vor dem CT-Scan mussten zwei Strahlentherapeuten und Ärzte die Patienten begleiten. Alle Patienten mussten vor der CT-Untersuchung 4 bis 6 Stunden lang nüchtern sein und während der Untersuchung 0,5 l Wasser trinken, um die Speiseröhre so weit wie möglich zu erweitern. Alle Patienten wurden gebeten, während der kontinuierlichen Untersuchung des Brustkorbs mit dem mehrschichtigen Spiral-CT-Gerät den Atem anzuhalten. Der Scanbereich begann am oberen Rand der Fossa supraclavicularis 5 cm darüber und reichte bis auf Höhe des 1. Lendenwirbels. Anschließend wurden die Daten des CT-Scans zur Rekonstruktion an den Arbeitsplatz übergeben.

Alle Patienten in dieser Studie erhielten fünfmal pro Woche eine radikale Strahlentherapie mit einer Strahlendosis zwischen 60 und 66 Gy bei einer Energie von 6 MV, 1,8–2,0 Gy/Fraktion. Risikoorgane (OAR), einschließlich der beidseitigen Lunge, des Rückenmarks, des Magengangs und des Herzens, wurden zum Schutz hervorgehoben. Die maximal tolerierten Dosen für wichtige normale Strukturen waren wie folgt: Rückenmark: < 40 Gy; Herz V40 ≤ 30 %; bilaterale Lunge: V20 ≤ 28 % und V30 ≤ 20 %; und Magen: V40 ≤ 40 %. Da die Daten jedoch retrospektiv erhoben wurden, unterschied sich die tatsächliche Strahlentherapiedosis bei jedem Patienten geringfügig. Dennoch fiel jeder Strahlentherapieplan in den Rahmen der in den NCCN-Richtlinien20 empfohlenen Radikaldosis.

Bildgebungsspezialisten bewerteten die Bildgebungsdaten der Patienten, um den maximalen Durchmesser des Tumors in jeder Ebene zu messen, wie in den RECIST 1.1-Richtlinien21 empfohlen. Anschließend konnte die maximale Schrumpfungsrate des Tumordurchmessers berechnet werden (maximaler Durchmesser vor der Strahlentherapie/maximaler Durchmesser nach der Strahlentherapie), die in der klinischen Arbeit häufig zur Bewertung des Behandlungsansprechens verwendet wird. Entsprechend der maximalen Schrumpfungsrate des Tumordurchmessers für alle Patienten haben wir 0,5 als potenziellen Schwellenwert für die Einteilung der Patienten in zwei Kategorien ausgewählt. Nach Experimenten wählten wir den optimalen Cutoff-Wert, der 0,5 als Schwelle für die Aufteilung der Patienten betrug (Tumorreduktionsrate größer als 50 % und Tumorreduktionsrate weniger als 50 %).

Die kontinuierlichen Ebenen der CT-Bilder aller Patienten wurden von zwei Radiologen mit mehr als acht Jahren Erfahrung in der Abgrenzung von Strahlentherapie-Zielgebieten mithilfe von Monaco 5.2 skizziert. Darüber hinaus überprüfte ein anderer Radiologe mit mehr als 15 Jahren Erfahrung das Zielgebiet und ermittelte das endgültige Strahlentherapie-Zielgebiet, das gewährleistete, dass der gesamte Tumor jedes Patienten durch das Zielgebiet anhand kontinuierlicher Ebenen der CT-Bilder widergespiegelt wurde. In dieser Studie verwendeten wir die umrissenen Bilder des Zielbereichs für die Erstellung eines Strahlentherapie-Reaktionsmodells. Um den Einfluss des Tumorrands auf das Modell zu minimieren, haben wir für jeden Patienten die Bilder ausgewählt, die die Tumorstelle am besten beschreiben.

Die in diesem Experiment gesammelten CT- und Zielabgrenzungsdaten des Patienten werden im DICOM-Dateiformat gespeichert und die CT-Daten in den DICOM-Dateien werden über Python in 2D-Bilder im PNG-Format konvertiert. Auf diese Weise können wir von jedem Patienten 10 bis 60 Schichten 2D-Bilder extrahieren, die den Zielbereich des Tumors umreißen. Anschließend wählen professionelle Radiologen die repräsentativsten 2D-CT-Bilder des Tumors aus (normalerweise Bilder um den maximalen Durchmesser des Tumors herum). Der von Einrichtung 1 gesammelte Datensatz wurde auf Patientenbasis zufällig in Trainingssatz-Validierungssätze unterteilt. Die von Institution 2 gesammelten Daten werden an die externe Validierungsgruppe verteilt.

In Experimenten zum maschinellen Lernen werden 2D-CT-Bilder durch Merkmalsextraktion in Merkmalsvektoren umgewandelt und anschließende Experimente durchgeführt. In künstlichen neuronalen Netzen haben wir Methoden zur Datenerweiterung wie Drehung, Spiegelung, Zoom und Verzerrung auf die CT-Bilder angewendet. Durch die Datenerweiterung stieg der Datensatz der CT-Bilder auf 6000. Und die 2D-CT-Bilder waren die direkte Eingabe in die Modelle des künstlichen neuronalen Netzwerks.

In dieser Studie wurden Patienten der ersten Einrichtung (Ausbildungskohorte und interne Kohorte) zur Erstellung und Verifizierung des Klassifizierungsmodells herangezogen. Radiomische Merkmale der CT-Bilder wurden mit der Bildextraktionssoftware PyRadiomics Version 3.0 extrahiert. Von jedem Patienten wurden insgesamt 102 2D-Merkmale extrahiert, darunter 2D-Merkmale erster Ordnung, 2D-Form, Graustufen-Kookkurrenzmatrix (GLCM), Graustufen-Lauflängenmatrix (GLRLM), Graustufen-Größenzonenmatrix (GLSZM) und benachbarter Grauton Merkmale der Differenzmatrix (NGTDM) und der Graustufenabhängigkeitsmatrix (GLDM)22. Darüber hinaus haben wir die korrelierten Merkmale (> 0,8) nach dem Pearson-Korrelationskoeffizienten-Algorithmus gruppiert, und die weniger prädiktiven Merkmale in derselben Gruppe wurden im Merkmalsauswahlalgorithmus ignoriert (ergänzende Abbildung S1). Der Random-Forest-Algorithmus wurde verwendet, um die Datendimensionen zu verringern und die prädiktivsten Merkmale auszuwählen23. Die Formel und Erklärung des Merkmalsauswahlalgorithmus lauten wie folgt:

wobei X das Merkmal darstellt, \({\mathrm{err}}_{\mathrm{OOB}2}\) den Out-of-Bag-Fehler darstellt, wenn wir Rauschen zu Merkmal }}_{\mathrm{OOB}1}\) stellt den Out-of-Bag-Fehler ohne zusätzliches Rauschen dar. Zehn Versuchsreihen mit einer Anzahl von Merkmalen zwischen eins und zehn wurden angewendet, um die optimale Anzahl von Merkmalen für das Modell zu bestimmen. Daher wurden die fünf prädiktivsten Merkmale zum Trainieren des Klassifikators ausgewählt und erzielten die beste Leistung. In der Zwischenzeit wurden in dieser Studie mehrere Klassifikatoren getestet, darunter Support Vector Machine (SVM) mit linearem Kernel, SVM mit radialem Basiskernel, lineares Regressionsmodell24,25, lineares Regressionsmodell26 und Random Forest. Nach dem Vergleich der AUCs der Klassifikatoren haben wir den Random-Forest-Algorithmus ausgewählt, da er alle anderen Klassifikatoren übertrifft.

In dieser Studie wurden Patienten aus Einrichtung eins zum Aufbau der Trainingskohorte und der internen Validierungskohorte verwendet, und Patienten aus Einrichtung zwei wurden zum Aufbau der externen Validierungskohorte verwendet, um die Effizienz der Generalisierung zu überprüfen.

Das CNN-Modell hat sich im Bereich der Bildklassifizierung als sehr effektiv erwiesen27,28,29. End-to-End-CNN-Modelle liefern präzise Vorhersageergebnisse ohne zusätzliche Extraktion von Bildmerkmalen, was die Effizienz des Modells erheblich verbessert. In dieser Studie wurden mehrere neuronale Netze verwendet, um die CT-Bilder der Patienten zu klassifizieren. Die Lernrate des Modells wurde auf 0,0005 eingestellt und der Root Mean Square Prop (RMSprop)-Optimierer wurde verwendet. In der Zwischenzeit haben wir die binäre Kreuzentropie als Verlustfunktion des Modus verwendet; Die Formel lautet wie folgt:

wobei yi die Bezeichnung für jedes Bild darstellt, \(\mathrm{p}({\mathrm{y}}_{\mathrm{i}})\) die Wahrscheinlichkeit darstellt, dass das Bild positiv ist und \(\mathrm{ q}\) stellt die reale Verteilung dar. Um Überanpassungsprobleme zu vermeiden, haben wir außerdem eine Dropout-Schicht angewendet und die Dropout-Rate auf 0,2 festgelegt (wobei 20 % der Neuronen zufällig ignoriert wurden). Schließlich wurde vor der Ausgabeschicht eine Sigmoidschicht auf das Modell angewendet, um die Ausgaben zu normalisieren. Die Sigmoidfunktion ist wie folgt definiert:

Die Chargengröße wurde auf 16 festgelegt und erzielte unter anderen Größen die beste Leistung. Durch Training des neuronalen Netzwerkmodells wurden schließlich Wahrscheinlichkeitsstatistiken für die Strahlentherapieempfindlichkeit des Patienten erhalten (eine Wahrscheinlichkeit von mehr als 0,5 ist empfindlich und eine Wahrscheinlichkeit von weniger als 0,5 ist resistent). Die detaillierte Struktur der neuronalen Netzwerkmodelle ist in Abb. 2a dargestellt.

(a) CNN-Modell bestehend aus zwei Faltungsschichten mit einer Kernelgröße von 3*3. Jede Faltungsschicht folgt den ReLU- und Max-Pooling-Funktionen. Die Dropout-Funktion kann die Überanpassungsprobleme des Modells erheblich verhindern. (b) Das vorab trainierte Modell wurde hauptsächlich mit vorab trainiertem ResNet50 von ImageNet erstellt, und die Kanalaufmerksamkeitsschicht verwendete sowohl maximales Pooling als auch durchschnittliches Pooling, um die Kanalaufmerksamkeits-Feature-Map zu berechnen.

Verschiedene Untersuchungen zu vortrainierten neuronalen Netzen haben gezeigt, dass sie bei Bildklassifizierungsaufgaben auf dem neuesten Stand sind30,31. Mittlerweile hat sich gezeigt, dass der Kanalaufmerksamkeitsmechanismus die Leistung von Deep-Learning-Modellen effizient verbessert. In dieser Studie wurde ein vorab trainiertes ResNet50 (trainiert auf ImageNet von Keras) mit einer Kanalaufmerksamkeitsschicht angewendet32,33,34. Die Kanalaufmerksamkeitsebene wurde angewendet, um die kritischsten Kanäle aus der Modellausgabe zu erfassen. Die Formel der Funktion lautet wie folgt:

wobei \(\mathrm{MLP}\) das mehrschichtige Perzeptron und \(\mathrm{F}\) die Eingaben darstellt. Die Lernrate wurde auf 0,01 eingestellt und der Adam-Optimierer wurde verwendet. Die Verlustfunktion in diesen Experimenten war ebenfalls binäre Kreuzentropie. Inzwischen wurde die Dropout-Rate der Dropout-Schicht auf 0,5 eingestellt. Nach mehreren Experimenten wurde die Chargengröße auf 32 eingestellt und die beste Leistung erzielt. Das vorab trainierte Modell übertraf alle anderen Methoden, die wir in dieser Studie angewendet haben. Für die weitere Untersuchung wurde der optimale Klassifikator mit der besten AUC verwendet. Die detaillierte Struktur der neuronalen Netzwerkmodelle ist in Abb. 2b dargestellt.

Bei der Bewertung der Vorhersageleistung jedes Modells verwenden wir die Fläche unter der ROC-Kurve (AUC-Wert), um die Genauigkeit jedes Vorhersagemodells zu messen. Allerdings kann die Fläche unter der ROC-Kurve nicht die klinische Praktikabilität des Vorhersagemodells berücksichtigen. Daher verwenden wir die Entscheidungskurve, um jedes Modell weiter zu bewerten. Die Entscheidungskurve integriert die Präferenzen der Entscheidungsträger in die Analyse und kann den Nutzen in der klinischen Praxis nach Anwendung dieser Methode tatsächlich bewerten. Damit entspricht es den tatsächlichen Anforderungen der klinischen Entscheidungsfindung und wird zunehmend in der klinischen Analyse eingesetzt35

Wir haben die Statistiksoftware SPSS Version 18 verwendet, um die signifikanten Unterschiede mit dem X2-Test oder dem exakten Fisher-Test für kategoriale Variablen zu berechnen. Ein zweiseitiges P < 0,05 wurde als statistisch signifikant angesehen. Die Assoziationsanalyse der univariaten Logistik wurde ebenfalls mit der Statistiksoftware SPSS Version 18 berechnet. Die Kalibrierungskurve und die Entscheidungskurve wurden durchgeführt, um die Kalibrierungsleistung und den klinischen Nutzen zu testen35. Für die grafische Darstellung wurde die Python-Software Version 3.8 (Python) verwendet.

An unserer Studie nahmen 248 ESCC-Patienten teil, darunter 154 (62,1 %) Patienten in der Trainingskohorte, 45 (18,1 %) in der internen Validierungskohorte und 49 (19,8 %) in der externen Validierungskohorte. Die klinischen Merkmale der Patienten in den drei Kohorten sind in Tabelle 1 zusammengefasst. Das Durchschnittsalter (SD) der Trainings-, internen Validierungs- und externen Validierungskohorten betrug 69,36 Jahre. Die gesamte Kohorte umfasste 245 Patienten (98,8 %), bei denen zum Zeitpunkt der Behandlung ein ESCC im klinischen Stadium III diagnostiziert wurde. Die Trainingskohorte umfasste 62 Responder und 92 Nonresponder, die interne Validierungskohorte umfasste 14 Responder und 31 Nonresponder und die externe Validierungskohorte umfasste 18 Responder und 31 Nonresponder. Es gab keine statistisch signifikanten Unterschiede im Geschlechterverhältnis, im klinischen Stadium, in der Tumorlokalisation, im allgemeinen Typ oder im Tabakkonsum während der Strahlentherapie zwischen Respondern und Nonrespondern in den Trainings-, internen Validierungs- und externen Validierungskohorten (Tabelle 1).

Die Analyse der Merkmale der Patienten mittels univariater logistischer Regression ergab keine Zusammenhänge mit dem Ansprechen auf die Strahlentherapie, einschließlich Geschlecht, Alter, maximaler Tumordurchmesser vor der Strahlentherapie, klinisches Tumorstadium, klinisches Knotenstadium, klinisches Metastasierungsstadium, klinisches Stadium, Allgemeintyp, Tumorlokalisation, Alkohol Konsum und Tabakkonsum in jeder Kohorte (P > 0,05) (Ergänzungstabelle S1).

Vier Klassifikatoren für maschinelles Lernen wurden verwendet, um Radiomics-Modelle zu erstellen, darunter lineare Regression, SVM mit linearem Kernel, SVM mit radialem Basiskernel und Random-Forest-Modelle. Die zehn prädiktivsten Merkmale, die durch den Random-Forest-Algorithmus identifiziert wurden, wurden zum Trainieren des Klassifikators ausgewählt. Verglichen mit den Leistungsergebnissen jedes Klassifikators zeigte das Random-Forest-Modell die höchsten AUCs in der Trainings- und der internen Validierungskohorte, die 0,767 (95 %-KI, 0,734–0,790) bzw. 0,594 (95 %-KI, 0,562–0,631) betrugen . Die SVM mit einem linearen Kernel erreichte in der internen Validierungskohorte eine AUC von 0,561 (95 %-KI, 0,530–0,594), während die SVM mit einem Kernelmodell mit radialer Basis eine AUC von 0,539 (95 %-KI, 0,510–0,564) erreichte die interne Kohorte. Die AUC des linearen Regressionsmodells in der internen Validierungskohorte betrug 0,589 (95 % KI, 0,561–0,646) (Ergänzende Abbildung S3a – c). Um dann die Leistung des kombinierten Merkmalsmodells mit dem unabhängigen Merkmalsmodell zu vergleichen, haben wir die fünf prädiktivsten Merkmale des kombinierten Modells verwendet, um das Modell einzeln durch eine zufällige Gesamtstruktur zu trainieren. Die Leistung jedes unabhängigen Merkmals im Radiomics-Modell zeigte eine niedrigere AUC als die der kombinierten Merkmale im selben Radiomics-Modell (Abb. 3a und b, Ergänzungstabelle S2).

(a,b) Die Empfängerbetriebscharakteristikkurven radiomischer Signaturen des Random-Forest-Modells in der Primärkohorte und der internen Kohorte. Die dicke rote Linie veranschaulicht die ROC-Kurve des Random-Forest-Modells unter Verwendung aller Top-10-Features, während andere Linien Random-Forest-Modelle unter Verwendung der Top-5-Features separat darstellen.

Das aus vorab trainiertem ResNet50 und dem Kanalaufmerksamkeitsmechanismus aufgebaute Deep-Learning-Radiomics-Modell übertraf alle anderen Methoden bei der Vorhersage des Ansprechens auf die Strahlentherapie. Das Modell erreichte AUCs von 0,0,876 (95 %-KI 0,853–0,895), 0,802 (95 %-KI 0,775–0,837) und 0,732 (95 %-KI 0,672–0,797) in primären, internen und externen Kohorten, während das Modell von a trainiert wurde CNN von Grund auf erreichte AUCs von 0,805 (95 %-KI 0,774–0,830), 0,770 (95 %-KI 0,729–0,802) bzw. 0,678 (95 %-KI 0,619–0,738) (Abb. 4a–c). Dieses Ergebnis zeigte, dass die Merkmale der CT für die Erstellung eines zuverlässigen prognostischen Radiomics-Modells geeignet waren. Beim Vergleich der Leistung der Radiomics-Modelle für maschinelles Lernen zeigten die CNN-Radiomics-Modelle höhere AUCs in allen drei Kohorten, was zeigte, dass die Deep-Learning-Radiomics-Modelle die Leistung des Radiomics-Modells verbesserten, ohne die Datendimensionen zu verringern und redundante Merkmale zu entfernen. Der Prozess der Dimensionsreduzierung von Radiomics-Merkmalen kann zu einem Mangel an perspektivischen Informationen führen.

(a,b) und (c), Empfängerbetriebskennlinien radiomischer Signaturen in der primären Kohorte (a), der internen Kohorte (b) und der externen Kohorte (c), die den Vergleich zwischen Att. vorab trainiertes Netzwerk und CNN-Modell. D und E, Entscheidungskurve der Att. Vorab trainiertes Modell (d) und CNN-Modell (e). Die braune Linie stellt alle Patienten dar, die auf die Strahlentherapie angesprochen haben, während die dunkelblaue gepunktete Linie Patienten darstellt, die nicht auf die Strahlentherapie angesprochen haben. (f), Das Diagramm veranschaulicht die Kalibrierung der radiomischen Signatur in Att. Vorab trainiertes Modell. Die gestrichelte Linie zeigt das ideale Modell. Die orange Linie stellt die Kalibrierungskurve der primären Kohorte dar und die blaue Linie stellt die interne Kohorte dar.

Um die Vorhersagestabilität der Radiomics-Modelle abzuschätzen und die Vorteile in klinischen Anwendungen zu bewerten, wurden Entscheidungskurven und Kalibrierungskurven verwendet, um die Leistung von zwei neuronalen Netzwerkmodellen zu bewerten. Die Entscheidungskurven zeigten, dass unter Berücksichtigung der Entscheidungspräferenzen unter Verwendung von Att. Ein vorab trainiertes Modell bietet in der klinischen Praxis mehr Vorteile als die Verwendung eines CNN-Modells (Abb. 4d, e). Auf das vorab trainierte ResNet50-Modell in der primären und internen Kohorte wurde eine Kalibrierungskurve angewendet (Abb. 4f), die einen hohen Grad an Übereinstimmung zwischen den vorhergesagten und tatsächlichen Ergebnissen des Modells zeigte.

Die Strahlentherapie gilt als eine der wichtigsten Behandlungen für ESCC-Patienten36. Die Erstellung von Modellen zur Vorhersage des Ansprechens auf Strahlentherapie ist für die individualisierte Präzisionsbehandlung von großem Nutzen37. Was die Vorhersage der Strahlungsreaktion bei ESCC schwierig macht, ist das Fehlen prädiktiver molekularer Marker für die Strahlungsempfindlichkeit38. Darüber hinaus zeigten die traditionellen klinischen Merkmale und der allgemeine Typ des ESCC nur eine begrenzte Korrelation mit dem Ansprechen auf die Strahlentherapie. Daher muss ein verfügbares Modell entwickelt werden, das das Ansprechen auf Strahlentherapie bei Patienten mit ESCC effizient vorhersagen kann. Kürzlich wurden auf KI basierende Radiomics-Signaturmodelle auf verschiedene Bereiche angewendet und haben eine unglaubliche Leistung bei der Vorhersage des Ansprechens auf Strahlentherapie gezeigt39,40,41,42,43. Unser Ziel war es, vor der Behandlung ein CT-basiertes Radiomics-Modell zur Vorhersage des Strahlentherapie-Ansprechens bei Patienten mit ESCC zu entwickeln, das den Mangel an prädiktiven molekularen Markern abdecken kann.

Modelle für maschinelles Lernen und Deep Learning werden in der Radiomics-Forschung häufig eingesetzt44,45,46. In einer früheren Studie wurden traditionelle maschinelle Lernalgorithmen wie Random Forest und SVM aufgrund der begrenzten Kohortenpopulation häufiger erwähnt als Deep-Learning-Algorithmen17,47. Darüber hinaus werden in den letzten Jahren End-to-End-Algorithmen des Deep Learning in der Krebsforschung eingesetzt, wobei nicht nur Röntgenbilder, sondern auch histopathologische Bilder verwendet werden48,49. Die Überprüfung der Reproduzierbarkeit von Merkmalen, die als unverzichtbarer Bestandteil zur Reduzierung der Überanpassung herkömmlicher Radiomic-Modelle für maschinelles Lernen gilt, scheint die Leistung des Radiomic-Modells zu verbessern. Im Gegensatz dazu müssen End-to-End-Algorithmen die Dimensionalität nicht reduzieren und zielen darauf ab, alle Bildinformationen vollständig zu nutzen, um Schlussfolgerungen zu ziehen50. Allerdings wurde die Überlegenheit dieser beiden Arten von Algorithmen nicht verglichen, um das Ansprechen auf eine Strahlentherapie vorherzusagen. Um festzustellen, welcher dieser beiden Algorithmen ein effektiveres Radiomics-Modell erstellen kann, wurden in unserer Studie beide Algorithmen zur Erstellung von Radiomics-Modellen in denselben ESCC-Patientenkohorten verwendet. Die Ergebnisse deuten darauf hin, dass das vom End-to-End-Deep-Learning-Algorithmus erstellte Radiomics-Modell eine bessere Leistung zeigte, unabhängig davon, ob es sich um Trainings-, interne Validierungs- oder externe Validierungskohorten handelte. Dies legt nahe, dass End-to-End-Deep-Learning-Algorithmen in nachfolgenden Radiomics-Studien mehr Aufmerksamkeit erhalten sollten. Darüber hinaus wurden in unseren Studien auch das CNN-Modell von Grund auf und das vorab trainierte CNN-Modell verglichen. Obwohl die Verwendung vorab trainierter neuronaler Netzwerkmodelle in der jüngsten Forschung immer häufiger zum Einsatz kommt, wurden vorab trainierte Modelle und Modelle von Grund auf in Radiomics-Studien selten verglichen51. Unsere Studien zeigten einige Hinweise auf vorab trainierte Modelle. Unterdessen berichteten aktuelle Studien, dass der Kanalaufmerksamkeitsmechanismus die Leistung neuronaler Netzwerkmodelle erheblich verbessern könnte. In unserer Studie hat die Kanalaufmerksamkeitsschicht die durch zu viele Kanäle im vorab trainierten Modell verursachten Konvergenzschwierigkeiten erheblich verbessert und die Leistung des Modells in der externen Validierungskohorte um fast 3 % verbessert.

Kürzlich haben Fortschritte in der Radiogenomik gezeigt, dass Radiomics-Signaturen deutliche Korrelationen mit Genexpressionsmustern aufweisen37. Die Radiomics-Signaturen, die von verschiedenen Signalwegen gesteuert werden, die an der Immunregulation, Tumorproliferation, Behandlungsreaktionen und Zellfunktionen beteiligt sind, erklären die biologischen Grundlagen der Radiomics weiter52. Dieses Ergebnis legt nahe, dass wir die intratumorale Heterogenität bis zu einem gewissen Grad durch die Erstellung eines Radiomics-Modells widerspiegeln können. Im Vergleich zu herkömmlichen klinischen Merkmalen können Radiomics-Merkmale das Ansprechen der Behandlung auf eine Strahlentherapie besser vorhersagen. Daher gehen wir davon aus, dass die Gesamtnutzung der CT-Bildinformationen durch End-to-End-Algorithmen die Heterogenität des Tumors widerspiegeln könnte. Der Unterschied beim Extrahieren von Bildinformationen kann zu einer offensichtlichen Diskrepanz zwischen diesen beiden unterschiedlichen Algorithmen führen. Diese Theorien wurden jedoch nicht durch Radiogenomik- und Multiomics-Studien geklärt.

Unsere retrospektive Studie beschränkte sich auf zeitliche Diskontinuitäten bei den eingeschlossenen Patienten. Obwohl unsere Studie die Unterschiede in den Bilddaten mithilfe eines Standardisierungsprozesses minimierte, können die Unterschiede in der CT-Ausrüstung zwischen den einzelnen Zeiträumen und Institutionen zu einer Verzerrung bei der Erfassung von Bilddaten führen. Nach unserem Kenntnisstand handelt es sich bei dieser Studie um die erste multizentrische Studie zur Radiomics bei nicht-chirurgischen ESCC-Patienten. Allerdings liegen die beiden Einrichtungen unserer Studie in derselben Provinz und die Anzahl der Patienten ist begrenzt. Um die Extrapolation des Modells bewerten zu können, ist noch eine große Patientenpopulation aus anderen Regionen erforderlich. Schließlich analysierte unsere Studie aufgrund der begrenzten Kohorten nur den 2D-Radiomics-Phänotyp und die klinischen Merkmale, und der 3D-Radiomics-Phänotyp zeigte in unserem Modell keine gute Leistung. Daher muss das 3D-Radiomics-Phänomen im nächsten Schritt noch erforscht werden. Es ist auch notwendig, andere Omics zu kombinieren, um die biologische Bedeutung von Radiomics weiter aufzudecken.

Dies ist die erste multizentrische Radiomics-Studie, die einen Att entwickelt. Vortrainiertes Resnet50-Netzwerk-Radiomics-Modell bei Patienten mit fortgeschrittenem ESCC. Es ermöglicht die klinische Entscheidungsfindung und stützt sich nicht nur auf die Erfahrung der klinischen Ärzte, sondern auch auf eine objektive Grundlage. Die effektive Vorhersage der Strahlentherapie bietet diesen Patienten angemessene individuelle und präzise Behandlungsoptionen sowie zeitnahe alternative Behandlungsansätze mit heilender Absicht, um unnötige Nebenwirkungen der Strahlentherapie zu verhindern und die Lebensqualität und Überlebensergebnisse fortgeschrittener ESCC-Patienten zu verbessern. Darüber hinaus nutzt unsere Studie die vorhandene routinemäßige diagnostische CT-Bildgebung, was für die Patienten keine zusätzliche finanzielle Belastung darstellt. Gleichzeitig hat der Att. Das vorab trainierte Netzwerk-Radiomics-Modell Resnet50 erfordert keine standardisierte Extraktion von Radiomics-Signaturen, was im klinischen Einsatz für Onkologen praktischer sein kann, um das Ansprechen auf die Strahlentherapie während der Diagnose vorherzusagen.

Entwicklung einer Att. Das vorab trainierte Netzwerk-Radiomics-Modell Resnet50 zur Vorhersage des Ansprechens auf Strahlentherapie bei Patienten mit fortgeschrittenem ESCC kann Onkologen nicht nur dabei helfen, zeitnah wirksame individuelle Strahlentherapiepläne zu formulieren und die klinische Entscheidungsfindung zu leiten, sondern auch den Mangel an molekularen Markern zur Vorhersage der Strahlenempfindlichkeit ergänzen. Wir hoffen, dass unsere Studie in die Radiomics-Datenbank des ESCC aufgenommen werden kann und als Basisstudie zur Radiomics bei fortgeschrittenem ESCC betrachtet werden kann. Das Modell kann möglicherweise auf andere medizinische Bildklassifizierungsaufgaben angewendet werden.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich. Der Code unseres vollständigen Ansatzes ist öffentlich auf Github verfügbar (https://github.com/lqawakeme/RRAESCC).

Sung, H. et al. Globale Krebsstatistik 2020: GLOBOCAN-Schätzungen der Inzidenz und Mortalität weltweit für 36 Krebsarten in 185 Ländern. CA A Krebs J. Clin. 71, 209–249 (2021).

Artikel Google Scholar

Abnet, CC, Arnold, M. & Wei, W.-Q. Epidemiologie des Plattenepithelkarzinoms des Ösophagus. Gastroenterology 154, 360–373 (2018).

Artikel PubMed Google Scholar

Van Rossum, PS, Mohammad, NH, Vleggaar, FP & Van Hillegersberg, R. Behandlung von inoperablem oder metastasiertem Speiseröhrenkrebs: Aktuelle Erkenntnisse und Trends. Nat. Rev. Gastroenterol. Hepatol. 15, 235–249 (2018).

Artikel PubMed Google Scholar

Geh, JI, Crellin, AM & Glynne-Jones, R. Präoperative (neoadjuvante) Radiochemotherapie bei Speiseröhrenkrebs. Br. J. Surg. 88, 338–356 (2002).

Artikel Google Scholar

Donohoe, CL & Reynolds, JV Neoadjuvante Behandlung von lokal fortgeschrittenem Speiseröhren- und Übergangskrebs: Die Evidenzbasis, aktuelle Schlüsselfragen und klinische Studien. J. Thorac. Dis. 9, S697–S704 (2017).

Artikel PubMed PubMed Central Google Scholar

Lynam-Lennon, N. et al. Eine veränderte Mitochondrienfunktion und ein veränderter Energiestoffwechsel sind mit einem strahlenresistenten Phänotyp beim Adenokarzinom der Speiseröhre verbunden. PLoS ONE 9, e100738 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Jairam, V. et al. Behandlungsbedingte Komplikationen der systemischen Therapie und Strahlentherapie. JAMA Oncol. 5, 1028–1035 (2019).

Artikel PubMed PubMed Central Google Scholar

Wang, X. et al. Inzidenz und Beginn schwerer kardialer Ereignisse nach Strahlentherapie bei Speiseröhrenkrebs. J. Thorac. Oncol. 15, 1682–1690 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Hayano, K. et al. Bildgebende Biomarker zur Behandlung von Speiseröhrenkrebs. WJG 25, 3021–3029 (2019).

Artikel PubMed PubMed Central Google Scholar

Beukinga, RJ et al. Vorhersage des Ansprechens auf neoadjuvante Chemotherapie und Strahlentherapie mit Baseline- und Restaging-18-F-FDG-PET-Bildgebungsbiomarkern bei Patienten mit Speiseröhrenkrebs. Radiologie 287, 983–992 (2018).

Artikel PubMed Google Scholar

Limkin, EJ et al. Versprechen und Herausforderungen für die Implementierung computergestützter medizinischer Bildgebung (Radiomics) in der Onkologie. Ann. Oncol. 28, 1191–1206 (2017).

Artikel CAS PubMed Google Scholar

Dercle, L. et al. Strahlentherapie mit maschinellem Lernen und bildgebenden Biomarkern (Radiomics) neu erfinden: Stand der Technik, Herausforderungen und Perspektiven. Methoden 188, 44–60 (2021).

Artikel CAS PubMed Google Scholar

Lu, MY et al. KI-basierte Pathologie sagt die Entstehung von Krebserkrankungen mit unbekanntem Primärtumor voraus. Natur 594, 106–110 (2021).

Artikel ADS CAS PubMed Google Scholar

Zhong, Q.-Z. et al. Radiomics der multiparametrischen MRT zur Vorhersage des biochemischen Wiederauftretens von lokalisiertem Prostatakrebs nach Strahlentherapie. Vorderseite. Oncol. 10, 731 (2020).

Artikel PubMed PubMed Central Google Scholar

Gao, Y. et al. Vorhersage des Behandlungseffekts für Sarkompatienten, die mit präoperativer Strahlentherapie behandelt wurden, unter Verwendung von Radiomics-Merkmalen aus longitudinalen diffusionsgewichteten MRTs. Physik. Med. Biol. 65, 175006 (2020).

Artikel PubMed Google Scholar

Zhu, C. et al. Ein klinisch-radiomisches Nomogramm auf Basis der Computertomographie zur Vorhersage des Risikos eines Lokalrezidivs nach Strahlentherapie bei Nasopharynxkarzinomen. Vorderseite. Oncol. 11, 637687 (2021).

Artikel PubMed PubMed Central Google Scholar

Hu, Y. et al. Bewertung der intratumoralen und peritumoralen Computertomographie-Radiomics zur Vorhersage des pathologischen vollständigen Ansprechens auf eine neoadjuvante Radiochemotherapie bei Patienten mit Plattenepithelkarzinomen des Ösophagus. JAMA Netw. Offen 3, e2015927 (2020).

Artikel PubMed PubMed Central Google Scholar

Wang, F.-H. et al. Die chinesische Gesellschaft für klinische Onkologie (CSCO): Klinische Leitlinien für die Diagnose und Behandlung von Magenkrebs. Krebskommun. 39, 1–31 (2019).

Artikel ADS Google Scholar

Expertengruppe für klinisches Staging von nichtoperativem Speiseröhrenkrebs in China. Standard der klinischen Stadieneinteilung bei nichtoperativem Speiseröhrenkrebs (Entwurf). Chin J. Radiat. Oncol. 19, 179–180 (2010).

Google Scholar

Ajani, JA et al. Krebserkrankungen der Speiseröhre und des ösophagogastrischen Übergangs, Version 2.2019, NCCN-Richtlinien für die klinische Praxis in der Onkologie. J. Natl. Kompr. Krebsnetz. 17, 855–883 (2019).

Artikel CAS Google Scholar

Eisenhauer, EA et al. Neue Kriterien zur Bewertung des Ansprechens bei soliden Tumoren: überarbeitete RECIST-Leitlinie (Version 1.1). Europäisches Journal für Krebs 45, 228–247 (2009).

van Griethuysen, JJM et al. Computergestütztes Radiomics-System zur Entschlüsselung des radiografischen Phänotyps. Dürfen. Res. 77, e104–e107 (2017).

Artikel Google Scholar

Saeys, Y., Abeel, T. & de Peer, YV Robuste Merkmalsauswahl mithilfe von Techniken zur Ensemble-Merkmalsauswahl. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases 313–325 (Springer, 2008).

Cherkassky, V. & Ma, Y. Praktische Auswahl von SVM-Parametern und Rauschschätzung für die SVM-Regression. Neuronales Netz. 17, 113–126 (2004).

Artikel PubMed MATH Google Scholar

Huang, S. et al. Anwendungen des Support Vector Machine (SVM) Lernens in der Krebsgenomik. Krebsgenom. Proteom. 15, 41–51 (2018).

CAS Google Scholar

Montgomery, DC, Peck, EA & Vining, GG Einführung in die lineare Regressionsanalyse (John Wiley & Sons, 2021).

MATH Google Scholar

Qin, J., Pan, W., Xiang, X., Tan, Y. & Hou, G. Eine biologische Bildklassifizierungsmethode basierend auf verbessertem CNN. Öko. Informieren. 58, 101093 (2020).

Artikel Google Scholar

Wang, J. et al. CNN-RNN: Ein einheitliches Framework für die Bildklassifizierung mit mehreren Etiketten. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2285–2294 (2016).

Hou, L. et al. Patchbasiertes Faltungs-Neuronales Netzwerk zur Bildklassifizierung des gesamten Objektträgergewebes. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2424–2433 (2016).

Yosinski, J., Clune, J., Bengio, Y. & Lipson, H. Wie übertragbar sind Merkmale in tiefen neuronalen Netzen? Adv. Neuronale Inf. Verfahren. Syst. 27, (2014).

Al-Haija, QA & Adebanjo, A. Brustkrebsdiagnose in histopathologischen Bildern unter Verwendung des Faltungs-Neuronalen Netzwerks ResNet-50. Im Jahr 2020 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS) 1–7 (IEEE, 2020).

Woo, S., Park, J., Lee, J.-Y. & Kweon, IS Cbam: Faltungsblock-Aufmerksamkeitsmodul. In Proceedings of the European Conference on Computer Vision (ECCV) 3–19 (2018).

Lee, H., Park, J. & Hwang, JY Kanalaufmerksamkeitsmodul mit Multiskalen-Gitterdurchschnittspooling zur Brustkrebssegmentierung in einem Ultraschallbild. IEEE Trans. Ultraschall. Ferroelektr. Freq. Kontrolle 67, 1344–1353 (2020).

PubMed Google Scholar

Szegedy, C., Ioffe, S., Vanhoucke, V. & Alemi, AA Inception-v4, Inception-Resnet und der Einfluss von Restverbindungen auf das Lernen. In der einunddreißigsten AAAI-Konferenz über künstliche Intelligenz (2017).

Fitzgerald, M., Saville, BR & Lewis, RJ Entscheidungskurvenanalyse. JAMA 313, 409–410 (2015).

Artikel CAS PubMed Google Scholar

Goense, L. et al. Stufenweise individualisierte Therapie bei Speiseröhrenkrebs: Individualisierende Behandlung von Speiseröhrenkrebs. Ann. NY Acad. Wissenschaft. 1381, 50–65 (2016).

Artikel ADS PubMed Google Scholar

Liu, Z. et al. Bildgebende Genomik zur genauen Diagnose und Behandlung von Tumoren: Ein aktueller Überblick. Biomed. Pharmakotherapeut. 135, 111173 (2021).

Artikel CAS PubMed Google Scholar

Bollschweiler, E. et al. Molekulare Marker für die Vorhersage einer geringfügigen Reaktion auf neoadjuvante Radiochemotherapie bei Speiseröhrenkrebs: Ergebnisse der prospektiven Kölner Ösophagus-Response-Prediction-Studie (CERP). Ann. Surg. 264, 839–846 (2016).

Artikel PubMed Google Scholar

Nazari, M., Shiri, I. & Zaidi, H. Radiomics-basiertes maschinelles Lernmodell zur Vorhersage des Sterberisikos innerhalb von 5 Jahren bei Patienten mit klarzelligem Nierenzellkarzinom. Berechnen. Biol. Med. 129, 104135 (2021).

Artikel PubMed Google Scholar

Zhong, J. et al. Automatisierte Vorhersage des Ansprechens auf eine neoadjuvante Chemotherapie bei Osteosarkomen mit Deep Learning und einem MRT-basierten Radiomics-Nomogramm. EUR. Radiol. https://doi.org/10.1007/s00330-022-08735-1 (2022).

Artikel PubMed PubMed Central Google Scholar

Zhong, Y.-W. et al. Tumor-Radiomics-Signatur zur Erkennung von Halsmetastasen durch künstliche neuronale Netzwerke bei Patienten mit Zungenkrebs. J. Neuroradiol. 49, 213–218 (2022).

Artikel PubMed Google Scholar

Joye, I. et al. Die quantitative Bildgebung übertrifft molekulare Marker bei der Vorhersage des Ansprechens auf eine Radiochemotherapie bei Rektumkarzinom. Radiother. Oncol. 124, 104–109 (2017).

Artikel PubMed PubMed Central Google Scholar

Yang, F. et al. MRT-Radiomics-Vorhersage für Cytokeratin 19-positives hepatozelluläres Karzinom: Eine multizentrische Studie. Vorderseite. Oncol. 11, 672126 (2021).

Artikel PubMed PubMed Central Google Scholar

Reel, PS, Reel, S., Pearson, E., Trucco, E. & Jefferson, E. Verwendung maschineller Lernansätze für die Multi-Omics-Datenanalyse: Ein Rückblick. Biotechnologie. Adv. 49, 107739 (2021).

Artikel CAS PubMed Google Scholar

de Melo, CM et al. Deep Learning der nächsten Generation basierend auf Simulatoren und synthetischen Daten. Trends Cogn. Wissenschaft. 26, 174–187 (2022).

Artikel PubMed Google Scholar

Liu, X. et al. Deep-Learning-Radiomics-basierte Vorhersage von Fernmetastasen bei Patienten mit lokal fortgeschrittenem Rektumkarzinom nach neoadjuvanter Radiochemotherapie: Eine multizentrische Studie. eBioMedicine 69, 103442 (2021).

Wang, W. et al. Entwicklung und Validierung einer computertomographiebasierten Radiomics-Signatur zur Vorhersage des Ansprechens auf eine neoadjuvante Chemotherapie bei lokal fortgeschrittenem Magenkrebs. JAMA Netw. Offen 4, e2121143 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Ardila, D. et al. Durchgängiges Lungenkrebs-Screening mit dreidimensionalem Deep Learning auf der niedrig dosierten Thorax-Computertomographie. Nat. Med. 25, 954–961 (2019).

Artikel CAS PubMed Google Scholar

Huang, K. et al. Vorhersage der Mutationslast von Darmkrebstumoren anhand histopathologischer Bilder und klinischer Informationen mithilfe von multimodalem Deep Learning. Bioinformatik (2022).

Han, Y., Wu, D., Kim, K. & Li, Q. End-to-End Deep Learning für die Innentomographie mit Niedrigdosis-Röntgen-CT. Physik. Med. Biol. 67, 115001 (2022).

Artikel Google Scholar

Guo, M.-H. et al. Aufmerksamkeitsmechanismen in der Computer Vision: Eine Umfrage. Komp. Vis. Medien 8, 331–368 (2022).

Artikel Google Scholar

Bera, K., Braman, N., Gupta, A., Velcheti, V. & Madabhushi, A. Vorhersage von Krebsergebnissen mit Radiomics und künstlicher Intelligenz in der Radiologie. Nat. Rev. Clin. Oncol. 19, 132–146 (2022).

Artikel CAS PubMed Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Key Research and Development Program der Provinz Shaanxi, China (Grant 2018ZDXM-SF-043) und der National Natural Science Foundation of China (Grant 81773239) unterstützt.

Abteilung für Radioonkologie, das erste angegliederte Krankenhaus der Xi'an Jiaotong-Universität, Xi'an, China

Yuchen Xie, Chao Ji, Yuchen Sun, Shuliang Zhang, Mingyu Hua, Xueting Liu, Weibin Hu, Yanfang Ma, Ying Wang und Xiaozhi Zhang

Abteilung für Informatik und Kommunikationstechnik, Graduate School of Fundamental Science and Engineering, Waseda University, Tokio, Japan

Qiang Liu

Abteilung für Radioonkologie, Zweites angegliedertes Krankenhaus der Xi'an Jiaotong-Universität, Xi'an, China

Shupei Pan

Sie können diesen Autor auch in PubMed Google Scholar suchen

Dr. Zhang hatte vollen Zugriff auf alle Daten der Studie und übernimmt die Verantwortung für die Integrität der Daten und die Genauigkeit der Datenanalyse. YX und QL trugen gleichermaßen als Erstautoren bei und führten die Studie und das Experiment durch. YS, CJ waren am Design der Studie beteiligt. SZ, QL und YS analysierten die Daten dieser Studie. Die Patientensammlung wurde von SP, MH und XLWH abgeschlossen, YM und YW beteiligten sich an der Überarbeitung des Manuskripts. Das Manuskript wurde von YX und QL verfasst

Korrespondenz mit Xiaozhi Zhang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Xie, Y., Liu, Q., Ji, C. et al. Ein auf einem künstlichen neuronalen Netzwerk basierendes Radiomics-Modell zur Vorhersage der Strahlentherapie-Reaktion von Patienten mit fortgeschrittenem Plattenepithelkarzinom des Ösophagus: eine multizentrische Studie. Sci Rep 13, 8673 (2023). https://doi.org/10.1038/s41598-023-35556-z

Zitat herunterladen

Eingegangen: 25. November 2022

Angenommen: 20. Mai 2023

Veröffentlicht: 29. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35556-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht

Ein künstliches neuronales Netzwerk