
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于时空深度学习的乳腺癌术后放疗患者放射性皮炎早期预测模型研究
《Radiation Oncology》:A spatio-temporal dual-view deep learning model for early prediction of grade?≥?2 radiation dermatitis
【字体: 大 中 小 】 时间:2026年10月14日 来源:Radiation Oncology 3.6
编辑推荐:
摘要目的开发和内部评估一种深度学习模型,用于早期预测接受术后放疗的乳腺癌患者2级及以上放射性皮炎。方法这项前瞻性单中心队列研究纳入了626名以中国患者为主的接受辅助放疗的患者。在治疗期间多个时间点采集了乳腺/胸壁和腋窝区域的标准皮肤照片。构建了一个双视角深度学习框架,将空间特
开发和内部评估一种深度学习模型,用于早期预测接受术后放疗的乳腺癌患者2级及以上放射性皮炎。
这项前瞻性单中心队列研究纳入了626名以中国患者为主的接受辅助放疗的患者。在治疗期间多个时间点采集了乳腺/胸壁和腋窝区域的标准皮肤照片。构建了一个双视角深度学习框架,将空间特征提取(EfficientNetV2-L)与使用门控循环单元(GRU)的时间建模相结合。主要终点是根据RTOG标准评估的2级及以上放射性皮炎。使用患者水平的五折交叉验证对模型性能进行内部评估。此外,使用不同早期治疗窗口的图像序列进行动态预测分析。
该模型取得了AUC为0.9129(95% CI:0.8893–0.9345),敏感性为0.8556(95% CI:0.8105–0.8946),特异性为0.8386(95% CI:0.7994–0.8758)。消融分析证实了空间和时间组件的贡献,当移除时间建模时,性能显著下降(AUC为0.6997)。在动态分析中,模型仅使用前三周的数据即可达到约0.80的AUC,从而在临床上有意义的皮炎通常变得更明显之前的时期实现早期风险分层。性能在第5周达到峰值(AUC 0.8931)。决策曲线分析显示,在一系列临床相关阈值下具有一致的净收益。
一种时空深度学习方法能够在放疗第3周甚至更早的时候早期预测2级及以上放射性皮炎。该框架可能支持主动风险评估,并促进对放射性皮肤反应的个体化管理。在更广泛的临床应用之前,还需要进行进一步的多中心外部验证。
开发和内部评估一种深度学习模型,用于早期预测接受术后放疗的乳腺癌患者2级及以上放射性皮炎。
这项前瞻性单中心队列研究纳入了626名以中国患者为主的接受辅助放疗的患者。在治疗期间多个时间点采集了乳腺/胸壁和腋窝区域的标准皮肤照片。构建了一个双视角深度学习框架,将空间特征提取(EfficientNetV2-L)与使用门控循环单元(GRU)的时间建模相结合。主要终点是根据RTOG标准评估的2级及以上放射性皮炎。使用患者水平的五折交叉验证对模型性能进行内部评估。此外,使用不同早期治疗窗口的图像序列进行动态预测分析。
该模型取得了AUC为0.9129(95% CI:0.8893–0.9345),敏感性为0.8556(95% CI:0.8105–0.8946),特异性为0.8386(95% CI:0.7994–0.8758)。消融分析证实了空间和时间组件的贡献,当移除时间建模时,性能显著下降(AUC为0.6997)。在动态分析中,模型仅使用前三周的数据即可达到约0.80的AUC,从而在临床上有意义的皮炎通常变得更明显之前的时期实现早期风险分层。性能在第5周达到峰值(AUC 0.8931)。决策曲线分析显示,在一系列临床相关阈值下具有一致的净收益。
一种时空深度学习方法能够在放疗第3周甚至更早的时候早期预测2级及以上放射性皮炎。该框架可能支持主动风险评估,并促进对放射性皮肤反应的个体化管理。在更广泛的临床应用之前,还需要进行进一步的多中心外部验证。