一种用于预测宫颈癌放射性直肠炎的新型深度学习分割与多模态放射组学方法

《Radiation Oncology》：A novel deep learning segmentation and multimodal radiomics approach for radiation proctitis prediction in cervical cancer

　　

摘要

研究目的

本研究旨在开发并验证一种新的可解释框架，该框架将深度分割网络与多模态放射组学相结合，以提高接受放疗的宫颈癌患者发生放射性直肠炎的风险预测性能。

研究方法

这项回顾性研究共纳入了650名宫颈癌患者，根据所使用的计算机断层扫描设备不同，将这些患者分为训练集、内部设备测试集以及独立设备测试集。研究构建了一种基于Mamba技术的深度学习网络，以提升对盆腔解剖结构的全局建模能力，从而为放射组学分析和个性化放疗提供可靠的感兴趣区域分割结果。在多模态放射组学方法中，基础模型特征与放射组学数据及临床数据相结合，以此减少训练数据中的固有偏差，进而提高对放射性直肠炎的预测精度。此外，还采用了Shapley加性解释技术，用以说明各多模态特征对预测结果的贡献程度。

研究结果

该分割模型在内部设备测试集和独立设备测试集上的骰子相似系数分别达到了90.76%和85.33%，性能优于现有模型。通过消融实验，明确了各个模块对分割性能的贡献。多模态放射组学模型在预测放射性直肠炎方面表现优异，在内部设备测试集和独立设备测试集上的曲线下面积值分别为0.882和0.865，均高于单一特征模型。同时，SHAP分析揭示了包括剂量学特征和基础模型特征在内的关键特征之间的相互作用，这些相互作用有助于提升决策的可解释性。

研究结论

通过将深度分割模型与多模态放射组学相结合，本研究显著提升了放射性直肠炎预测的准确性和稳定性，为个性化放疗方案的制定提供了极具前景的临床应用框架。

临床试验编号

不适用