面向高级别浆液性卵巢癌化疗反应的预测性与鲁棒影像组学模型构建
计算机视觉与模式识别
2026-01-14 v1
摘要
目的：高级别浆液性卵巢癌 (HGSOC) 通常在伴有广泛腹膜转移的晚期才被诊断，导致治疗极具挑战。新辅助化疗 (NACT) 常用于术前缩小肿瘤负荷，但约 40% 的患者反应有限。影像组学结合机器学习 (ML)，通过分析计算机断层扫描 (CT) 影像数据，为预测 NACT 反应提供了一种有前景的非侵入性方法。本研究旨在通过整合不同的特征选择方法，改善接受 NACT 的 HGSOC 患者的反应预测。材料与方法：通过采用自动化随机化算法模拟观察者间变异性，引入了一个鲁棒影像组学特征选择框架，以确保特征鲁棒性与预测准确性之间的平衡。使用了四种反应指标：化疗反应评分 (CRS)、RECIST、体积缩减 (VolR) 和直径缩减 (DiaR)。研究了不同解剖部位的病灶。在一个队列中使用 NACT 前后的 CT 扫描进行特征提取和模型训练，并使用独立队列进行外部测试。结果：使用所有病灶组合进行 VolR 预测取得了最佳预测性能，AUC 为 0.83。网膜病灶在 CRS 预测中提供最佳结果 (AUC 0.77)，而盆腔病灶在 DiaR 预测中表现最佳 (AUC 0.76)。结论：将鲁棒性整合到特征选择过程中可确保开发可靠的模型，从而促进影像组学模型在 HGSOC 患者临床应用中的实施。未来工作应进一步探索影像组学在卵巢癌中的应用，特别是在实时临床环境中。
引用
@article{arxiv.2601.08455,
title = {Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma},
author = {Sepideh Hatamikia and Geevarghese George and Florian Schwarzhans and Amirreza Mahbod and Marika AV Reinius and Ali Abbasian Ardakani and Mercedes Jimenez-Linan and Satish Viswanath and Mireia Crispin-Ortuzar and Lorena Escudero Sanchez and Evis Sala and James D Brenton and Ramona Woitek},
journal= {arXiv preprint arXiv:2601.08455},
year = {2026}
}
备注
22pages, 5 figures, 5 tables