基于FDG-PET/CT的时序驱动非小细胞肺癌生存分析
计算机视觉与模式识别
2026-05-25 v1
摘要
目的：基于医学图像的临床结局（如总生存期，OS）自动预测在改善患者预后和个性化治疗规划方面具有巨大潜力。我们开发了一个深度回归框架，以组织特异性FDG-PET/CT投影作为输入，并以标量时间跨度（天）作为时序输入，用于预测非小细胞肺癌（NSCLC）患者的OS。方法：所提出的框架采用ResNet-50骨干网络处理输入图像并生成相应的图像嵌入。这些嵌入随后与时序数据结合，生成随时间变化的OS概率，有效地基于时间参数化预测。整体框架在U-CAN队列（n=556）上开发，并在测试集（n=292）上与基线方法进行比较。基线方法采用ResNet-50架构，仅以图像作为输入，并在预设时间点（如2年或5年）提供OS预测。结果：时序数据与图像嵌入的结合在预测OS方面展现出优势，相比基线方法AUC提升4.3%。所提出的模型结合临床与IDP特征取得了强劲性能，而成像与临床+IDP模型的集成取得了最佳整体性能（0.788），突显了多模态输入的互补价值。所提出的方法还实现了对患者的风险分层（高风险与低风险）。显著性分析的热力图突出显示了肿瘤区域是预测的关键结构。结论：我们的方法提供了一个自动化的OS随时间变化预测框架，展示了结合成像与表格数据以改善生存预测的潜力。
引用
@article{arxiv.2604.06885,
title = {Time-driven Survival Analysis from FDG-PET/CT in Non-Small Cell Lung Cancer},
author = {Sambit Tarai and Ashish Chauhan and Elin Lundström and Johan Öfverstedt and Therese Sjöholm and Veronica Sanchez Rodriguez and Håkan Ahlström and Joel Kullberg},
journal= {arXiv preprint arXiv:2604.06885},
year = {2026}
}
备注
Under review