Multitask Deep Learning Based on Longitudinal CT Images Facilitates Prediction of Lymph Node Metastasis and Survival in Chemotherapy-Treated Gastric Cancer.
研究背景
局部晚期胃癌（LAGC）患者新辅助化疗（NAC）后，准确预测淋巴结转移（LNM）和总生存期（OS）对临床决策和预后优化很重要，但现有方法准确性不足。本研究利用1021名LAGC患者纵向CT图像，开发多任务深度学习模型CTSMamba，同时预测LNM和OS。
方法速览
- 数据收集与处理：纳入三中心1021名LAGC患者纵向CT图像，NAC前后扫描，图像预处理和3D肿瘤分割。
- 模型开发：CTSMamba含TSMamba特征嵌入和共注意力网络两个子网络。
- 模型验证：在训练队列、内部验证队列和两个外部验证队列验证。
- 统计分析：用AUC、C - index等评估性能，Grad - CAM可视化决策过程。
主要发现
- LNM预测表现优：CTSMamba在各队列预测LNM的AUC均显著高于临床模型。
- 风险评分相关：CTSMamba风险评分在LNM组和非LNM组差异显著，校准曲线显示预测概率与实际结果一致性好，亚组分析性能稳健。
- OS预测良好：CTSMamba在各队列的OS预测C - index较好，高低生存评分组生存时间差异显著，校准曲线显示1至5年生存预测一致性好。
- 独立预后因素：多变量Cox回归分析显示，CTSMamba生存评分是OS独立预后因素，结合临床因子提高预测准确性，列线图验证其预后价值。
- 决策过程可视化：Grad - CAM显示，模型对LNM和不同生存评分患者关注NAC前后肿瘤区域有差异，反映NAC治疗影响和模型有效性。
总结展望
CTSMamba是首个用纵向CT图像同时预测LNM和OS的多任务深度学习模型，性能优于现有模型，有临床应用潜力。但研究有回顾性设计偏倚、NAC方案局限和生物学机制不明等问题，未来可结合基因或分子数据深入研究。