За пределами системы TNM: прогнозирование выживаемости при плоскоклеточном раке полости рта на ос... скачать в хорошем качестве

За пределами системы TNM: прогнозирование выживаемости при плоскоклеточном раке полости рта на ос...

За пределами TNM: прогнозирование выживаемости при плоскоклеточном раке полости рта на основе глубокого обучения Профессиональное резюме для академического и клинического распространения В данной презентации обобщены результаты всестороннего исследования, основанного на данных, по применению искусственного интеллекта (ИИ) на основе глубокого обучения для индивидуального прогнозирования выживаемости у пациентов с плоскоклеточным раком полости рта (ПРПР). Выходя за рамки традиционной парадигмы стадирования TNM, исследование демонстрирует, как интегративные модели ИИ могут более точно учитывать многофакторные детерминанты онкологических исходов. Предпосылки и обоснование Традиционное прогнозирование ПРПР в значительной степени опирается на систему стадирования AJCC TNM, которая, хотя и стандартизирована, обладает ограниченной индивидуальной прогностической способностью. На клинические исходы при ПРПР влияет широкий спектр демографических, связанных с образом жизни, патологических и связанных с лечением переменных, которые недостаточно представлены только в системе стадирования. Данная работа восполняет критический пробел, используя искусственный интеллект для интеграции этих разнородных данных в единую систему прогнозирования выживаемости. Дизайн и методы исследования Когорта: Ретроспективный анализ 1018 пациентов с плоскоклеточным раком полости рта, прошедших хирургическое лечение (1996–2020 гг.) в третичном академическом центре. Переменные: Демографические данные, история курения и употребления алкоголя, классификация ASA, стадия TNM по AJCC 8-го издания, ПЭТ SUVmax, глубина инвазии (DOI), состояние краев резекции, периневральная инвазия, лимфоваскулярная инвазия, экстранодальное распространение, метод лечения и характер рецидивов. Архитектура ИИ: Глубокая нейронная сеть (DNN) для многогрупповой классификации, разделяющая выживаемость на 60 ежемесячных интервалов. Сравнительные модели включали DNN на основе регрессии, модель пропорциональных рисков Кокса и модель случайного леса выживаемости. Метрики оценки: среднее значение AUC, чувствительность, специфичность, индекс согласованности (C-индекс) и проверка линейности для оценки калибровки и дискриминации. Стратегия валидации: пятикратная стратифицированная перекрестная валидация с отложенным тестовым набором. Ключевые результаты Многогрупповая нейронная сеть продемонстрировала превосходные результаты по сравнению с традиционными статистическими моделями и моделями машинного обучения: Среднее значение AUC: 0,922 C-индекс: 0,888 Специфичность: 0,992 Прогнозы на основе ИИ показали сильное линейное соответствие наблюдаемой выживаемости, превосходя модели, основанные только на системе TNM, которые продемонстрировали почти случайную прогностическую способность. Анализ важности признаков выявил время до рецидива, наихудший вариант инвазии, потребление алкоголя, ПЭТ SUVmax, возраст, стадию T, статус края резекции и DOI как доминирующие факторы выживаемости, подчеркивая неадекватность одной лишь стадирования. Клинические и научные последствия Эта работа подчеркивает сдвиг парадигмы в прогнозировании плоскоклеточного рака полости рта: Модели ИИ, интегрирующие доступные в рутинной практике клинические данные, могут предоставлять более точные, индивидуализированные оценки выживаемости. Многогрупповая структура DNN обеспечивает как дискриминацию, так и калибровку, тесно согласуясь с кривыми выживаемости Каплана-Мейера. Такие инструменты имеют непосредственное отношение к стратификации риска, планированию лечения и консультированию пациентов, а также предлагают масштабируемую основу для будущей интеграции геномных и биомаркерных данных. Ограничения и направления дальнейших исследований Исследование ограничено его одноцентровым ретроспективным дизайном и отсутствием внешней валидации. В будущих исследованиях следует использовать многоцентровые наборы данных, стратификацию по локализации опухоли, показатели поражения лимфатических узлов и молекулярные или геномные характеристики для дальнейшего повышения обобщаемости и клинической полезности. Рекомендуемые профессиональные хэштеги #Радиология #ИскусственныйИнтеллект #ГлубокоеОбучение #ОнкологическийИИ #РакРотостиРта #ТочнаяМедицина #АнализВыживаемости #МедицинскаяВизуализация #ПоддержкаКлиническихПринятий #ТрансляционныйИИ Цитирование APA (7-е издание) Kang, Y. J., Lee, Y. G., Chung, M. J., Kim, J., & Choi, N. (2025). Модели искусственного интеллекта на основе глубокого обучения прогнозируют выживаемость пациентов с плоскоклеточным раком полости рта. Scientific Reports, 15, 43537. https://doi.org/10.1038/s41598-025-27... © 2025 AI Chavelle™ by Jeffrey Chen / SmartRad AI. Все права защищены.