基于深度学习的量化在临床阶段0-I肺腺癌的预测影响

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的瘤特征对于肺腺癌 (LUAD) 预后至关重要.
• 手动测量瘤大小,质量和体积可能是主观的,并影响分期的准确性.
• 深度学习 (DL) 为医疗成像的自动化和精确的定量分析提供了潜力.

研究的目的:

• 评估深度学习 (DL) 算法对大小,质量和体积测量的性能,以预测LUAD预后.
• 为了比较DL衍生测量与放射科医生手动测量的预后预测能力.
• 评估DL在T分期和生存风险分层对LUAD患者的有用性,特别是那些有磨砂玻璃结节 (GGNs) 的患者.

主要方法:

• 术前CT数据的回顾性分析来自542名临床阶段0-I外围LUAD患者.
• 两个放射科医生对轴形象 (MSSA) 上最大固体大小的手动评估.
• 使用DL算法对MSSA,固体体积 (SV) 和固体质量 (SM) 的自动评估.
• 使用密度值计算整合与瘤比率 (CTR) 和在GGN中提取固体部分.
• 使用多变量Cox比例危险模型进行DL和手动测量之间的预后预测功效的比较.

主要成果:

• 基于DL的测量表明,与基于放射科医生的T分期相比,更高的预后预测效率.
• 对于GGN,DL衍生的MSSA-based CTR (MSSA^2D-AI_0HU%) 可以分层生存风险,与放射科医生的测量不同 (^RMSSA%).
• DL衍生的SM和SV (^AISM_0HU%和^AISV_0HU%) 有效地分层生存风险,表现优于^2D-AIMSSA_0HU%,并被确定为独立的风险因素.

结论:

• DL算法可以准确地执行尺寸测量,可能取代人类评估,以改进LUAD T阶段.
• 基于DL的指标,特别是质量 (^AISM_0HU%) 和体积 (^AISV_0HU%),提供比手动方法更准确的预测预测 LUAD,包括GGN.
• 人工智能驱动的定量分析对提高预后分层和指导肺腺癌治疗决策具有重大前景.