一个集体深度学习模型用于侵入性肺腺癌的风险分层使用薄切片CTCT

科学领域:

• 放射学中的人工智能
• 对于医学成像的深度学习
• 肺结节分析 肺结节分析

背景情况:

• 计算机断层扫描 (CT) 查检测到更多的小肺结节和早期的肺腺癌.
• 通过CT对结核进行准确的组织学评估对于临床管理至关重要.
• 目前的深度学习模型主要区分良性和恶性结节,缺乏侵入性腺癌风险分层.

研究的目的:

• 开发和验证一个集体多视图3D卷积神经网络 (EMV-3D-CNN) 用于肺腺癌风险分层.
• 评估模型在区分侵袭性腺癌和侵袭性腺癌方面的表现.
• 为肺结节的外科治疗提供预测性组织学信息.

主要方法:

• 使用了从1075名手术确认肺结节 (4-30毫米) 的患者的手术前薄切片CT扫描.
• 开发了一个集体多视图3D卷积神经网络 (EMV-3D-CNN) 模型.
• 评估了良性/恶性诊断和侵袭前/侵袭性腺癌风险分层的模型性能.

主要成果:

• 在良性/恶性结节诊断中达到91.3%的AUC.
• 在侵袭前/侵袭性腺癌风险分层中达到92.9%的AUC.
• 在侵袭性腺癌风险分层 (77.6%准确率) 中表现优于高级临床医生.

结论:

• 拟议的EMV-3D-CNN模型使用CT扫描准确地分层侵袭性肺腺癌的风险.
• 该模型提供了有价值的预测性组织学见解,有助于肺结节的手术决策.
• 一个用户友好的基于Web的系统可用于访问模型的功能.