深度学习预测宫淋巴结转移从皮肤状甲状腺癌瘤的手术内冷部分:一个多中心诊断研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确评估淋巴结转移 (LNM) 对于皮肤状甲状腺癌 (PTC) 管理至关重要.
• 在PTC中指导手术决策时,手术内冷部位分析至关重要.
• 预测LNM有助于确定所需的淋巴结解剖的程度.

研究的目的:

• 开发和验证一种深度学习模型 (ThyNet-LNM),用于预测PTC患者使用冷截面的手术内LNM.
• 评估ThyNet-LNM与超声波和CT等传统成像方式的性能.
• 评估ThyNet-LNM在减少不必要的淋巴结解剖方面的临床影响.

主要方法:

• 一个深度学习模型,ThyNet-LNM,是使用多实例学习框架开发的.
• 该模型是从1120名PTC患者的1987整张幻灯片图像 (WSI) 中进行训练,并通过独立的内部和外部数据集进行验证.
• 使用接收器操作特征曲线 (AUCs) 下的面积来评估性能,并与超声波和CT扫描进行比较.

主要成果:

• 在内部和外部验证集中,ThyNet-LNM的AUC达到0.76至0.81.
• 该模型对LNM预测的准确性明显高于超声波和CT (P <0.01).
• 在临床上阴性淋巴结患者中,ThyNet-LNM使不必要的淋巴结解剖率从56.4%降低到14.9%.

结论:

• ThyNet-LNM在评估PTC患者手术期间的LNM状态方面表现出很高的疗效.
• 该模型为手术决策提供实时指导,有可能改善患者的治疗结果.
• 实施ThyNet-LNM可以显著降低临床节点阴性PTC患者中不必要的淋巴结解剖率.