换一批基于增强CT构建多任务改进nnU-Net模型分割原发口腔癌病灶及预测患者无复发生存时间
Multi-task improved nnU-Net model based on enhanced CT for segmenting primary oral cancer and predicting patients' relapse free survival
摘要目的 观察基于增强CT构建多任务改进nnU-Net模型分割原发口腔癌病灶及预测患者无复发生存时间(RFS)的价值.方法 回顾性分析186例原发口腔癌,基于增强CT构建多任务改进nnU-Net模型以分割肿瘤及预测生存时间:首先以nnU-Net为基线网络实施分割肿瘤预训练,通过改良跳跃连接增强解码器提升识别及分割肿瘤的精度;再以单因素及多因素回归分析筛选与RFS显著相关的临床变量,提取影像组学和深度学习特征,构建生存时间预测模型并对上述模型进行微调.按7∶2∶1比例划分训练集、验证集及测试集,以戴斯相似系数(DSC)评估改进后模型的分割性能,利用一致性指数C-index验证模型预测RFS的效能.结果 多任务改进nnU-Net模型分割原发口腔癌病灶的DSC(0.78)优于 3D Inception ResNet(0.65)、3D InceptSENet(0.75)及 3D U-Net 模型(0.69),预测 RFS 的 C-index(0.798)高于 Cox 回归模型(0.744)、ICARE 模型(0.761)、随机森林模型(0.744)、DeepSurv 模型(0.735)、nnU-Net 模型(0.760)及放射+nnU-Net模型(0.744),且其分割原发口腔癌的DSC及预测RFS的C-index均优于单纯基线网络(分别为0.653、0.649)、基线网络+多尺度融合模块(0.755、0.752)及基线网络联合临床特征(0.764、0.759)、影像组学特征(0.770、0.764)和临床+影像组学特征(0.773、0.761).结论 多任务改进nnU-Net模型可有效提高分割原发口腔癌病灶精度及预测患者RFS的准确性.
更多相关知识
关键词
口腔肿瘤人工智能体层摄影术,X线计算机图像分割无复发生存mouth neoplasmsartificial intelligencetomography,X-ray computedimage segmentationrelapse free survive
栏目名称
DOI
10.13929/j.issn.1003-3289.2025.09.024
发布时间
2025-11-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
皖南医学院重点项目（WK2023ZZD04）
- 浏览7
- 被引0
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
