
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多模态深度学习的鼻咽癌调强放射治疗后鼻咽坏死风险分层模型开发及内部验证
《BMC Medical Imaging》:Deep learning-based prediction of post-radiation nasopharyngeal necrosis using adaptive multimodal fusion of CT, MRI, and 3D dose
【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要目的本研究旨在开发并内部验证一种深度学习模型,用于鼻咽癌调强放射治疗后五年内放疗后鼻咽坏死的风险分层评估。放疗后鼻咽坏死是一种罕见但危及生命的并发症。方法我们回顾性分析了170例接受初始调强放射治疗的鼻咽癌患者,其中62例发生了放疗后鼻咽坏死。术前输入包括计划CT、对比增
本研究旨在开发并内部验证一种深度学习模型,用于鼻咽癌调强放射治疗后五年内放疗后鼻咽坏死的风险分层评估。放疗后鼻咽坏死是一种罕见但危及生命的并发症。
我们回顾性分析了170例接受初始调强放射治疗的鼻咽癌患者,其中62例发生了放疗后鼻咽坏死。术前输入包括计划CT、对比增强T1加权磁共振成像、T2加权磁共振成像和三维剂量分布。该框架采用四种特定模态的三维编码器、跨模态Transformer以及自适应模态混合专家融合。性能通过泄漏控制下的五折分层交叉验证进行评估,模型选择在各训练折的内部验证集中完成。我们报告95%自助法置信区间,并使用DeLong检验进行两两模型比较。
该框架的受试者工作特征曲线下面积为0.907(95%置信区间0.861–0.948),准确率为0.876(0.824–0.924),敏感度为0.888(0.809–0.954),特异度为0.872(0.808–0.927),阳性预测值为0.808(0.740–0.888),阴性预测值为0.933(0.893–0.973),Brier分数为0.140(0.119–0.161)。将两种磁共振成像序列与剂量和CT结合后,曲线下面积从0.695提高到0.907。自适应专家融合优于匹配的拼接基线(曲线下面积0.798,DeLong检验p<0.001)。它还优于五个重新实现的基线中的四个(p≤0.009);相比最强基线,其0.036的提升未达到传统显著性水平(p=0.089)。表观决策曲线分析显示,在富集研究样本中,广泛的阈值概率范围内具有正净收益。
所提出的框架在内部五折交叉验证中提供了放疗后鼻咽坏死风险的判别性患者水平估计,其Brier分数在比较的模型中最低,但在该富集样本上存在明显的绝对概率校准偏差。需要外部前瞻性验证、概率重新校准以及将风险引导监测与改善临床结果联系起来的证据,才能确立其临床效用。
本研究旨在开发并内部验证一种深度学习模型,用于鼻咽癌调强放射治疗后五年内放疗后鼻咽坏死的风险分层评估。放疗后鼻咽坏死是一种罕见但危及生命的并发症。
我们回顾性分析了170例接受初始调强放射治疗的鼻咽癌患者,其中62例发生了放疗后鼻咽坏死。术前输入包括计划CT、对比增强T1加权磁共振成像、T2加权磁共振成像和三维剂量分布。该框架采用四种特定模态的三维编码器、跨模态Transformer以及自适应模态混合专家融合。性能通过泄漏控制下的五折分层交叉验证进行评估,模型选择在各训练折的内部验证集中完成。我们报告95%自助法置信区间,并使用DeLong检验进行两两模型比较。
该框架的受试者工作特征曲线下面积为0.907(95%置信区间0.861–0.948),准确率为0.876(0.824–0.924),敏感度为0.888(0.809–0.954),特异度为0.872(0.808–0.927),阳性预测值为0.808(0.740–0.888),阴性预测值为0.933(0.893–0.973),Brier分数为0.140(0.119–0.161)。将两种磁共振成像序列与剂量和CT结合后,曲线下面积从0.695提高到0.907。自适应专家融合优于匹配的拼接基线(曲线下面积0.798,DeLong检验p<0.001)。它还优于五个重新实现的基线中的四个(p≤0.009);相比最强基线,其0.036的提升未达到传统显著性水平(p=0.089)。表观决策曲线分析显示,在富集研究样本中,广泛的阈值概率范围内具有正净收益。
所提出的框架在内部五折交叉验证中提供了放疗后鼻咽坏死风险的判别性患者水平估计,其Brier分数在比较的模型中最低,但在该富集样本上存在明显的绝对概率校准偏差。需要外部前瞻性验证、概率重新校准以及将风险引导监测与改善临床结果联系起来的证据,才能确立其临床效用。