利用 PET/CT 影像组学和临床信息预测头颈部癌症的无复发生存期
内容提要
该文综述了AI与影像组学在头颈癌放疗中的应用，包括随机森林、CNN、ViT及3D扩散模型结合PET/CT多模态数据，用于肿瘤自动分割、预后预测和复发风险评估，部分模型在HECKTOR挑战赛中表现优异，并验证了多分辨率分形纹理特征及自动分割算法的泛化能力。
延伸解读
多模态融合提升预后预测
文章指出，融合PET和CT的多模态数据在头颈肿瘤分割与生存预测中具有优势。例如，基于3D扩散模型的方法利用双模态图像生成更准确的肿瘤掩膜；XSurv框架通过混合并行交叉注意力块融合多模态特征，在公共数据集上优于现有生存预测方法。这表明多模态融合有助于提升模型性能。
自动分割的泛化与临床转化
文章提到，基于3D U-Net的自动分割算法能分割21个头颈部放射敏感器官，并引入表面Dice相似系数以更好反映临床任务。该模型在不同研究中心和国家表现出较强泛化能力，有望通过验证和监管审批提高放疗路径的效率、一致性和安全性。
影像组学特征与模型比较
文章综述了多种影像组学特征和模型。随机森林结合重采样技术使用1615个影像学特征进行风险估计；多分辨率分形纹理特征在复发和预后方面优于常规放射学特征；ViT模型在HECKTOR 2021预测任务中获胜，其预测与分割结果优于集成模型。这些比较为方法选择提供了参考。
Q&A
PET/CT影像组学在头颈癌无复发生存期预测中有什么作用？
PET/CT影像组学通过提取影像特征并结合临床信息，可用于预测头颈癌患者的无复发生存期，帮助进行风险评估和预后判断。
有哪些深度学习方法被用于头颈癌的自动分割和预后预测？
文章提到使用U型卷积神经网络、3D U-Net、卷积神经网络（CNN）、视觉Transformer（ViT）以及3D扩散模型等方法进行头颈癌的自动分割和预后预测。
HECKTOR挑战赛中表现优异的模型有哪些？
在HECKTOR 2021挑战赛中，基于ViT的模型在预测和分割任务上优于集成模型并获得胜利；在HECKTOR 2022挑战赛中，一种结合U型卷积神经网络和支持向量机的方法排名第六。
多分辨率分形纹理特征在头颈癌预后预测中效果如何？
研究表明，多分辨率分形纹理特征相比常规放射学特征在预测复发和预后结果方面表现更佳。
自动分割算法在头颈癌放疗中的泛化能力如何？
一种基于3D U-Net的自动分割算法成功实现了21个头颈部放射敏感器官的自动分割，并显示出在不同研究中心和国家具有较强的泛化能力。
PET和CT双模态数据在头颈肿瘤分割中有什么优势？
基于3D扩散模型的研究证实，双模态PET和CT数据在头颈肿瘤分割中具有优势，能够生成更准确的肿瘤掩膜。
