深度学习增强的放射学用于组织学分类和阶级分层的阶段IA肺腺癌:一个多中心研究研究
Guotian Pei1, Dawei Wang2, Kunkun Sun3
1Department of Thoracic Surgery, Beijing Haidian Hospital (Haidian Section of Peking University Third Hospital), Beijing, China.
Frontiers in oncology
|August 7, 2023
概括
深度学习放射学模型可以使用CT扫描预测早期肺腺癌 (LUAD) 的组织学亚型和等级. 这种非侵入性方法有助于诊断和管理LUAD患者.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 精确的手术前预测组织学亚型和等级的阶段IA肺腺癌 (LUAD) 是至关重要的.
- 世卫组织最新的分类和分级系统需要新的预测模型.
- 目前用于详细预测LUAD病理的非侵入性方法有限.
研究的目的:
- 开发和评估一种基于CT的非侵入性放射学方法,用于预测IA LUAD阶段的组织学亚型和等级.
- 评估深度学习增强的放射学模型在临床实践中的性能.
主要方法:
- 来自IA阶段的LUAD患者的胸部CT扫描的回顾性收集.
- 深度学习的应用用于病变细分和注释策略 (例如,边界框).
- 放射学特征的提取和选择,然后通过机器学习建模 (MLP,逻辑回归) 来进行分类和分层.
主要成果:
- 模型在两家医院 (294名和145名患者) 的数据上进行了训练和验证.
- 多层感知子 (MLP) 在亚型分类中实现了0.855 (内部),0.922 (独立) 和0.720 (外部) 的平均AUC.
- 逻辑回归实现了平均AUC为0.928 (内部),0.837 (独立) 和0.748 (外部) 的等级分层.
结论:
- 深度学习增强的放射学模型显示出从CT图像中预测细组织学亚型和早期LUAD等级的显著潜力.
- 这些模型为早期LUAD的诊断和管理提供了一个有希望的非侵入性工具.
- 在某些情况下,这种方法可能会减少对侵入性活检的需要.
