目的:开发融合影像组学与3D深度学习特征的联合模型,以提高非小细胞肺癌(NSCLC)放疗患者总生存期(OS)的预测效能,为个体化放疗策略优化提供依据。方法:回顾性纳入来自3个中心的522例NSCLC患者,从放疗计划CT的肿瘤感兴趣区内提取影像组...目的:开发融合影像组学与3D深度学习特征的联合模型,以提高非小细胞肺癌(NSCLC)放疗患者总生存期(OS)的预测效能,为个体化放疗策略优化提供依据。方法:回顾性纳入来自3个中心的522例NSCLC患者,从放疗计划CT的肿瘤感兴趣区内提取影像组学特征,构建3D-SE-ResNet网络提取深度学习特征。通过单因素Cox分析和Lasso-Cox回归筛选特征,采用主成分分析融合两类特征构建联合模型。通过一致性指数(C-index)、受试者工作特征曲线下面积(AUC)评估模型判别能力,通过Kaplan-Meier生存分析验证风险分层效能。结果:深度学习特征预测性能显著优于影像组学特征(C-index:0.73 vs 0.65)。联合模型在训练集、内部测试集及外部测试集中均取得最高的预测效能(C-index分别为0.74、0.69、0.72),预测1年、2年、3年OS的AUC均高于单一模型。Kaplan-Meier分析显示高低风险组生存差异显著(对数秩检验P<0.001),校准曲线表明预测与实际生存具有良好的一致性。结论:融合影像组学与3D深度学习特征的联合模型可精准预测NSCLC放疗患者生存结局,多中心验证结果支持其在个体化放疗预后分层中的潜在应用价值。展开更多
文摘目的:开发融合影像组学与3D深度学习特征的联合模型,以提高非小细胞肺癌(NSCLC)放疗患者总生存期(OS)的预测效能,为个体化放疗策略优化提供依据。方法:回顾性纳入来自3个中心的522例NSCLC患者,从放疗计划CT的肿瘤感兴趣区内提取影像组学特征,构建3D-SE-ResNet网络提取深度学习特征。通过单因素Cox分析和Lasso-Cox回归筛选特征,采用主成分分析融合两类特征构建联合模型。通过一致性指数(C-index)、受试者工作特征曲线下面积(AUC)评估模型判别能力,通过Kaplan-Meier生存分析验证风险分层效能。结果:深度学习特征预测性能显著优于影像组学特征(C-index:0.73 vs 0.65)。联合模型在训练集、内部测试集及外部测试集中均取得最高的预测效能(C-index分别为0.74、0.69、0.72),预测1年、2年、3年OS的AUC均高于单一模型。Kaplan-Meier分析显示高低风险组生存差异显著(对数秩检验P<0.001),校准曲线表明预测与实际生存具有良好的一致性。结论:融合影像组学与3D深度学习特征的联合模型可精准预测NSCLC放疗患者生存结局,多中心验证结果支持其在个体化放疗预后分层中的潜在应用价值。
