一种基于增强 CT 的可解释深度学习模型预测非肌层浸润性膀胱癌 2 年内的复发

《BMC Medical Imaging》：An interpretable deep learning model based on enhanced CT predicts the recurrence of non-muscle-invasive bladder cancer within 2 years

　　

摘要

目的

非肌层浸润性膀胱癌（NMIBC）复发的准确风险分层对于个性化治疗至关重要。本研究旨在开发并验证一种基于增强计算机断层扫描（CT）的模型，用于预测术后两年内 NMIBC 的复发。

材料与方法

我们回顾性纳入了 2017 年 6 月至 2023 年 5 月间来自三个中心的 192 例 NMIBC 患者。中心 1 构成训练集（n?=?139；74 例复发事件），中心 2 和中心 3 构成测试集（n?=?53；24 例复发事件）。使用基于生成对抗网络（GAN）的超分辨率重建来增强增强 CT 图像，并从中提取影像组学和深度学习（DL）特征。使用单变量和多变量逻辑回归评估临床预测因子。融合模型 C（FMC）整合了影像组学、DL 和临床特征，仅在训练集中开发，并在测试集中评估。模型解释使用夏普利加和解释（SHAP），性能评估使用受试者工作特征曲线下面积（AUC）、校准曲线、Brier 评分和决策曲线分析。

结果

FMC 优于影像组学模型（测试集 AUC?=?0.754），在训练集中达到 AUC 0.917（95% 置信区间 [CI]，0.874–0.960），在测试集中达到 AUC 0.865（95% CI，0.756–0.974）。肿瘤数量、T 分期和一个 DL 特征是 SHAP 分析中排名前三的预测因子，决策曲线分析表明其具有潜在的临床实用性。

结论

基于 CT 的 FMC 在预测接受术前增强 CT 的选择性 NMIBC 患者的观察到的 24 个月复发方面显示出令人满意的准确性。该模型可为术后监测计划提供互补的风险分层信息，而基于 SHAP 的解释可能有助于解释个体预测。