인공 신경망

Scientific Reports 13권, 기사 번호: 8673(2023) 이 기사 인용

262 액세스

2 알트메트릭

측정항목 세부정보

방사선 요법은 증상 완화 및 장기 생존 측면에서 진행성 식도 편평 세포 암종(ESCC) 환자에게 도움이 됩니다. 대조적으로, ESCC 환자의 상당 부분은 방사선 요법의 혜택을 받지 못했습니다. 본 연구는 컴퓨터 단층촬영의 실행 가능한 기본 특성과 결합된 통합 데이터를 사용하여 진행성 ESCC의 방사선 치료 반응의 치료 전 예측을 위한 인공 신경망 기반 방사선학 모델을 확립하고 검증하는 것을 목표로 했습니다. 베이스라인 CT를 받고 방사선 치료를 받은 총 248명의 진행성 ESCC 환자가 이 연구에 등록되었으며 기계 학습과 딥 러닝이라는 두 가지 유형의 방사선학 모델로 분석되었습니다. 결과적으로 Att. Resnet50 사전 훈련된 네트워크 모델은 훈련, 내부 검증 및 외부 검증 코호트에서 각각 0.876, 0.802 및 0.732의 AUC로 우수한 성능을 나타냈습니다. 마찬가지로, 우리 Att. Resnet50 사전 훈련된 네트워크 모델은 C 지수 및 결정 곡선 분석에 따라 우수한 보정과 상당한 임상적 이점을 보여주었습니다. 본 연구에서는 딥러닝 방법을 기반으로 새로운 치료 전 방사성학 모델이 ​​확립되었으며 진행성 ESCC 환자의 방사선 치료 반응 예측에 사용될 수 있으므로 치료 결정을 위한 신뢰할 수 있는 증거를 제공할 수 있습니다.

식도암(EC)은 악성 종양의 치명적인 아형 중 하나이며 모든 아형 중에서 사망률이 7번째로 높습니다1. 아시아의 경우 편평 세포 암종이 EC의 주요 병리학적 하위 유형입니다. 근치적 수술과 화학방사선요법은 식도 편평 세포 암종(ESCC) 환자에게 중요한 치료법입니다2. 수술로 완전 절제가 어려운 높은 위치에 위치한 경부 및 중흉부 식도암의 경우 우선적으로 방사선 치료를 권고한다. 절제 불가능한 진행성 ESCC의 경우, 증상을 완화하고 생존 기간을 연장하기 위해 화학 요법과 방사선 요법이 여전히 필요합니다3,4,5.

그럼에도 불구하고 방사선요법에 대한 민감도는 환자마다 다르므로6 치료 반응에 상당한 차이가 있습니다. 부작용 및 부작용은 방사선 저항성 ESCC 환자에게서 관찰될 가능성이 더 높습니다7,8. 이를 위해서는 ESCC 환자에서 치료 시행 전에 방사선 치료를 정확하게 예측할 수 있는 실용적이고 비침습적인 접근 방식을 모색할 필요가 있습니다.

최근 수십 년 동안 방사선 치료 반응을 예측하기 위한 식도 조영제(수질형, 곰팡이형, 수축형, 궤양형)의 일반적인 분류가 임상 작업에서 널리 사용되었습니다9,10. 그러나 이러한 예측은 전적으로 영상의학과 전문의의 경험적 평가에 근거한 것이므로 실제 치료 반응에 차이가 발생합니다. 그렇지 않으면 방사선요법 민감도와 관련된 분자 바이오마커가 일상적인 임상 사용에 대해 전향적으로 검증되지 않았습니다. 최근 연구에 따르면 인공 지능(AI)을 기반으로 한 방사선학은 비침습적 방사선 가상 생검 바이오마커를 추출하여 치료 반응에 대한 예측 정보를 효과적으로 제공할 수 있는 것으로 나타났습니다11,12. Lu 등13은 딥러닝 기반 모델이 원인을 알 수 없는 원발성 암의 기원을 식별하는 데 높은 정확도를 보인다는 사실을 발견했습니다. Zhong14은 mp-MRI(Multiparametric Magnetic Resonance Imaging) 기반 방사선 특성이 방사선 치료 후 국소 전립선암 환자의 예후 인자로 간주될 수 있음을 나타냈습니다. Gao15는 종방향 확산 가중 MRI를 기반으로 한 방사성 신호를 사용하여 수술 전 방사선 치료 효과를 평가할 수 있음을 보여주었습니다. Zhu16은 컴퓨터 단층촬영(CT) 영상 방사성 신호와 임상 요인을 기반으로 한 노모그램 모델이 강도 변조 방사선 치료(IMRT) 후 비인두암종(NPC)의 국소 재발 위험을 추정하는 데 적절한 민감도와 특이성을 보여주었다고 보고했습니다.