用临床放射学,放射学和深度学习特征进行微毛囊和固体模式的肺腺癌的比较和融合预测模型
Fen Wang1, Cheng-Long Wang2, Yin-Qiao Yi2
1Department of Medical Imaging Center, The Affiliated Huaian NO.1 People's Hospital of Nanjing Medical University, No. 1 West Huanghe Road, Huaian, 223300, China.
Scientific reports
|June 8, 2023
概括
结合深度学习和放射学得分,显著改善了具有微毛囊/固体模式的肺腺癌的术前诊断. 这种综合方法提高了临床实践中的诊断准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 肺腺癌 (ADC) 诊断对于治疗计划至关重要.
- 微毛囊/固体 (MPP/SOL) 模式在手术前评估中存在诊断挑战.
- 深度学习和放射学在提高诊断准确性方面表现有前途.
研究的目的:
- 评估是否将深度学习分数 (DL-score) 与放射学结合起来可以提高肺部ADC的手术前诊断,特别是那些有MPP/SOL模式的人.
- 将组合模型的诊断性能与单个临床放射学,放射学和深度学习模型进行比较.
主要方法:
- 对514例肺部ADC病例的回顾性分析.
- 开发临床放射学 (模型 1),放射学 (模型 2),深度学习 (基于DL得分的模型 3) 和组合 (模型 4:DL得分+R得分+临床放射学变量) 模型.
- 使用接收器运行特征曲线 (AUC) 下的面积进行性能评估,并进行内部和外部验证.
- 通过决策曲线分析 (DCA) 评估的临床效用.
主要成果:
- 组合模型 (模型4) 实现了最高的AUC:0.921 (内部) 和0.827 (外部验证).
- 模型4在内部和外部验证集中显示出比单个模型的统计学上显著的改进.
- 决策曲线分析表明,组合模型对预测MPP/SOL结构的肺ADC有益.
结论:
- 深度学习分数和放射学的整合为MPP/SOL模式的肺部ADC提供了卓越的手术前诊断性能.
- 这种综合方法具有显著的潜力,可以改善肺腺癌手术前诊断的临床决策.
- 这项研究验证了组合模型在挑战性肺ADC亚型中提高诊断准确性的实用性.
