基于神经网络的模型,用于评估T1肺腺癌中惰性结节和体积翻倍时间:一个嵌套病例对照研究
Bing Wang1, Hui Zhang2, Wei Li3
1Department of Radiology, Beijing Tuberculosis and Thoracic Tumor Research Institute, Beijing Chest Hospital, Capital Medical University, Beijing, China.
Frontiers in oncology
|June 9, 2023
概括
这项研究开发了深度学习模型,以识别惰性肺结节,并估计肺腺癌患者的体积翻倍时间. 这些模型有助于临床医生区分结节和预测生长,以便进行准确的治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 肺腺癌是一种常见的恶性瘤.
- 对肺结节的准确评估对于患者管理至关重要.
- 区分惰性结节和潜在的恶性结节需要可靠的预测工具.
研究的目的:
- 开发一种评估惰性肺结节的模型.
- 建立一个模型来预测肺结节体积翻倍时间.
- 帮助肺结节患者准确诊断和治疗计划.
主要方法:
- 对201名T1肺腺癌患者的回顾性分析.
- 利用人工智能肺结节辅助诊断系统进行结节预测.
- 建立基于深度学习的模型:惰性结节判断模型 (INM) 和体积翻倍时间估计模型 (VDTM).
- 使用ROC分析 (AUC) 评估INM性能,使用R2.2评估VDTM性能.
主要成果:
- 在识别惰性结节时,INM表现出高准确度 (81.13%的训练,77.50%的测试) 和AUC (0.7707的训练,0.7700的测试).
- 在估计体积翻倍时间方面,VDTM表现适度 (R2=0.8008训练,0.6268测试).
- 模型为初始患者检查和咨询提供了宝贵的参考.
结论:
- 深度学习模型 (INM和VDTM) 能够有效地区分惰性肺结节.
- 这些模型有助于放射科医生和临床医生预测结节体积翻倍时间.
- 这些工具支持肺结节患者准确的治疗策略.
