Cancers· 2026Q1
Serviks Kanseri Sonrası Nüksün Tahmin Edilmesi İçin Çok Ölçekli MRG, Radyoloji Raporları ve Kan Biyobelirteç Güdümlü Çok Modlu Derin Öğrenme: Çok Merkezli Bir Çalışma
Multi-Scale MRI, Radiology Reports, and Blood Biomarker–Guided Multimodal Deep Learning for Predicting Postoperative Recurrence in Cervical Cancer: A Multicenter Study
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Çok ölçekli MRG, radyoloji raporları ve klinik verileri entegre eden çok modlu bir derin öğrenme modeli, serviks kanseri nüksünü tahmin etmek için harici doğrulamada 0.798 AUC elde etti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Çok modlu bir derin öğrenme modeli (MSM-TC), çok ölçekli MRG, radyoloji raporu metni ve klinik verileri entegre etti.
- MSM-TC, serviks kanseri nüksünü tahmin etmek için harici doğrulamada 0.798 AUC elde etti.
- Metin verilerinin dahil edilmesi, yalnızca görüntülemeye kıyasla tahmin performansını iyileştirdi (harici doğrulamada AUC 0.742'ye karşılık 0.681).
- Model, nüks ve sağkalıma göre hastaları etkili bir şekilde yüksek ve düşük riskli gruplara ayırdı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Objectives: Cervical cancer (CC) remains a leading cause of cancer-related morbidity and mortality among women worldwide, with postoperative recurrence posing a major challenge to long-term survival. Multimodal data integration, including imaging, textual, and clinical information, holds significant potential for enhancing prognostic prediction. This study aims to develop and validate a multimodal, multi-scale deep learning (DL) model for predicting recurrence in operable CC patients. Methods: This multicenter retrospective study included 445 operable CC patients with preoperative MRI and corresponding radiology reports from three institutions. A Multi-Scale Model (MSM) combining ConvNeXt and dual-path Vision Transformer (ViT) was developed. Textual features extracted from radiology reports using BERT were fused with imaging and clinical data to construct a multimodal network (MSM-TC). Model interpretability was enhanced using SHapley Additive exPlanations (SHAP) and attention visualization. Results: The MSM integrating ConvNeXt and ViT achieved receiver operating characteristic curve (AUC) values of 0.944, 0.837, and 0.681 in the training, internal validation, and external validation cohorts, respectively. Incorporating textual data (MSM-T) further improved performance (AUCs: 0.902, 0.860, and 0.742). The final multimodal model (MSM-TC) integrating imaging, textual, and clinical data demonstrated the highest predictive accuracy with AUCs of 0.930, 0.860, and 0.798 across training, internal validation, and external validation cohorts, respectively. Kaplan–Meier analysis confirmed that the model-derived risk score effectively stratified patients into high- and low-risk groups. Conclusions: Our multimodal, multi-scale DL framework robustly predicts recurrence and survival in operable CC patients, supporting its potential for individualized prognostic assessment and future clinical translation.
Yazarların özeti; kaynağından alınmıştır. Cancers, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Kadın Hastalıkları ve Doğum
Obstetrics and GynecologyMedicine