传输学习深度放射学和手工制作的放射学,用于分类淋巴结从对比增强计算机断层扫描在肺癌中的肺癌

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 定子发射断层扫描 (PET) 是肺癌淋巴结分期的标准,但有局限性.
• 增强对比度的计算机断层扫描 (CT) 是一个更容易获得的替代方案.
• 从CT预测PET结果可以提高分期可访问性.

研究的目的:

• 预测肺癌患者的对比增强计算机断层扫描 (CT) 结果的正子发射断层扫描 (PET).
• 评估不同的特征提取策略,以提高N-分阶段的准确性.

主要方法:

• 100名肺癌患者接受了对比度增强的18F-化氧糖 (FDG) PET/CT.
• 机器学习模型使用放射学功能,EfficientNet-CNN的深度功能以及混合方法进行训练.
• 模型性能被评估使用接收机操作特征曲线 (AUC) 下的面积和缩放的Brier分数 (SBS).

主要成果:

• 一种混合模型结合了放射学和深度特征,实现了最高的性能 (AUC 0.871,SBS 35.8).
• 这种混合方法显著优于仅使用放射学或仅使用深度特征的模型 (p < 0.001).
• 这项研究包括来自100名肺癌患者的2734个淋巴结.

结论:

• 传统的放射学和深度学习功能都为非侵入性肺癌N阶段化提供了有价值的,互补的信息.
• 使用CT衍生功能的机器学习模型可以有效预测PET结果,有助于分期决策.